Aprendizaje Adaptativo de Potenciación en Línea bajo Desviación de Concepto para Clasificación Multistream

La clasificación multistream presenta desafíos significativos debido a la necesidad de adaptación rápida en procesos de streaming dinámicos con desviación de concepto. A pesar de los crecientes resultados de investigación en este área, ha habido una notable falta de atención respecto a las relaciones dinámicas temporales entre estos flujos, lo que lleva al problema de la transferencia negativa que surge de datos irrelevantes. En este documento, proponemos un nuevo método de Aprendizaje Adaptativo de Potenciación en Línea (OBAL) que aborda eficazmente esta limitación al aprender adaptativamente la correlación dinámica entre diferentes flujos. Específicamente, OBAL opera en un mecanismo de dos fases, en la primera de las cuales diseñamos un algoritmo de Adaptación de Desviación de Covariables Adaptativa (AdaCOSA) para construir un modelo de conjunto inicializado utilizando datos archivados de varios flujos de origen, mitigando así la desviación de covariables mientras aprendemos las correlaciones dinámicas a través de una estrategia de reponderación adaptativa. Durante el proceso en línea, empleamos un mecanismo de ponderación basado en Modelos de Mezcla Gaussiana, que se integra perfectamente con las correlaciones adquiridas a través de AdaCOSA para manejar eficazmente la desviación asincrónica. Este enfoque mejora significativamente el rendimiento predictivo y la estabilidad del flujo objetivo. Realizamos experimentos exhaustivos en varios flujos de datos sintéticos y del mundo real, abarcando varios escenarios y tipos de desviación. Los resultados demuestran claramente que OBAL logra avances notables en la solución de problemas de clasificación multistream al aprovechar eficazmente el conocimiento positivo derivado de múltiples fuentes.