基于在线迁移学习的重现概念漂移数据流分类

来源：计算机研究与发展杂志2016年第8期北京时间：

作者：文益民,唐诗淇,冯超,高凯,

摘要：随着大数据时代的到来，数据流分类被应用于诸多领域，如：垃圾邮件过滤、市场预测及天气预报等.重现概念是这些应用领域的重要特点之一.针对重现概念的学习与分类问题中的“负迁移”和概念漂移检测的滞后性，提出了一种基于在线迁移学习的重现概念漂移数据流分类算法——RC-OTL.RC-OTL在检测到概念漂移时存储刚学习的一个基分类器，然后计算最近的样本与存储的各历史分类器之间的领域相似度，以选择最适合对后续样本进行学习的源分类器，从而改善从源领域到目标领域的知识迁移.另外，RC-OTL还在概念漂移检测之前根据分类准确率选择合适的分类器对后续样本分类.初步的理论分析解释了RC-OTL为什么能有效克服“负迁移”，实验结果进一步表明：RC-OTL的确能有效提高分类准确率，并且在遭遇概念漂移后能更快地适应后续样本.

关键词：概念漂移, 迁移学习, 重现概念, 在线学习, 负迁移,