标签稀缺的特征演化数据流在线迁移学习方法

摘要

特征演化数据流的特征空间随时间推移不断变化，同时由于现实场景的复杂性，导致数据标签信息不完整，这给数据流分类任务带来巨大挑战。为解决这一问题，提出一种标签稀缺的特征演化数据流的在线迁移学习方法。首先，为确保模型稳定性，采用二阶在线学习方法对原始特征空间进行建模；其次，针对无标签数据提出一种伪标签筛选机制，挑选高置信度的伪标签样本参与模型更新，提高模型可靠性；最后，引入迁移学习策略来应对不断变化的特征空间，实现新旧特征空间之间的知识迁移。仿真实验结果表明，所提方法在处理标签稀缺的特征演化数据流分类任务时有较好的适应性及准确性。本研究为现实复杂环境下的动态数据分类任务提供了新的解决思路。

关键词

数据流分类 / 特征演化 / 标签稀缺 / 在线学习 / 迁移学习 / 半监督学习