弹性类增量学习:漂移数据流、未标记数据流与不平衡数据流之间的相互作用
《Artificial Intelligence Science and Engineering》:Resilient Class-Incremental Learning: On the Interplay of Drifting, Unlabeled and Imbalanced Data Streams
【字体:
大
中
小
】
时间:2026年04月22日
来源:Artificial Intelligence Science and Engineering
编辑推荐:
摘要:在当今这个互联互通的世界中,跨多个领域生成大量流式数据已经变得司空见惯。由于概念漂移、类别不平衡、标签稀缺以及新类别的出现,这些挑战共同降低了表示的稳定性,导致学习偏向于过时的数据分布,并降低了在动态环境中的检测能力和可靠性。本文提出了一种流式类别增量学习(SCIL)框架
摘要:
在当今这个互联互通的世界中,跨多个领域生成大量流式数据已经变得司空见惯。由于概念漂移、类别不平衡、标签稀缺以及新类别的出现,这些挑战共同降低了表示的稳定性,导致学习偏向于过时的数据分布,并降低了在动态环境中的检测能力和可靠性。本文提出了一种流式类别增量学习(SCIL)框架来解决这些问题。SCIL框架将自动编码器(AE)与多层感知器结合用于多类别预测,采用双重损失策略(分类和重构)进行预测和新类别检测,使用校正后的伪标签进行在线训练,通过队列管理类别,并应用过采样来处理类别不平衡问题。该方法的结构背后的原理通过消融研究得到了阐明,并使用包含类别不平衡、增量类别和概念漂移的真实世界和合成数据集进行了全面的实验评估。我们的结果表明,SCIL的性能优于强大的基线和最先进的方法。为了践行我们对开放科学的承诺,我们将代码和数据集提供给社区。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号