基于增强型广泛学习系统的动态块式主动学习方法，用于处理不平衡的数据流漂移问题

《IEEE Transactions on Knowledge and Data Engineering》：Dynamic Chunk-based Active Learning Based on Enhanced Broad Learning System for Imbalanced Drifting Data Streams

动态分块主动学习框架DCAL通过DyDQS查询策略和eBLS-W模型优化样本选择与模型更新，在非平稳环境中提升数据流学习的鲁棒性和准确性。

　　

摘要：

在非平稳环境中处理连续数据流的问题日益受到关注。然而，监督式在线学习常常受到标签可用性的限制。此外，在非平稳环境中开发一种稳定且高性能的在线学习方法至关重要。为了解决这些问题，我们提出了一个基于动态分块的主动学习框架（DCAL）。该框架包括一种动态的双阶段查询策略和一个改进的主动学习模型。具体来说，所提出的查询策略称为DyDQS，它通过考虑局部密度、不确定性和动态不平衡比率来全面评估样本值。这种方法能够选择既具有代表性又具有不确定性的样本，同时增加选择少数类样本的可能性。此外，我们还引入了一个改进的主动学习模型eBLS-W，该模型基于广泛学习系统（BLS）。我们重新设计了BLS的更新规则，并为其添加了核映射，以提高其鲁棒性和性能，使其能够更好地处理非平稳环境。通过带有漂移的合成数据集和真实世界数据集的实验验证了DyDQS、eBLS-W和DCAL的有效性。结果表明，我们的方法在鲁棒性和准确性方面优于其他先进方法。