目标解耦驱动的在线深度网络

摘要

概念漂移是数据流挖掘中不可避免的难点问题，其典型特征是数据分布随时间可能发生改变.针对现有模型处理数据流分类任务时出现过拟合的问题，本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupling, ODNTD).首先，该模型从历史数据流中学习一个任务未知型特征提取器，实现了对任务的无偏见表示学习，从而增强了模型的泛化能力；其次，模型利用任务特定的权重调整，使得任务未知的通用特征表示能够适应具体任务，通过这种目标任务的权重学习进一步提升了模型的适应性.实验结果表明，所提出的方法对含概念漂移的数据流有良好的泛化性能.

关键词

概念漂移 / 表示学习 / 权重学习 / 自适应深度网络 / 特征表示蒸馏