概念漂移数据流半监督分类综述

在开放环境下，数据流具有数据生成速度快、数据量无限和概念漂移的特点。在数据流分类任务中，使用人工标注生成大量训练数据的方法成本高昂且不切实际。带有少量标记样本和大量未标记样本的数据流以及概念漂移给机器学习带来了巨大挑战。然而，现有的研究主要集中在有监督的数据流分类上，基于概念漂移的数据流半监督分类研究还没有引起足够的重视。因此，本文在全面收集数据流半监督分类研究工作的基础上，从多个角度将现有的数据流半监督分类算法与概念漂移进行了划分，并根据算法中使用的分类器类型，介绍和总结了几种现有的算法，包括现有数据流半监督分类中使用的概念漂移检测方法。在一些广泛使用的真实数据集和人工数据集上，从多个方面对一些有代表性的数据流半监督分类算法进行了比较和分析。最后，实验结果表明，数据流半监督分类算法的分类精度与许多因素有关，但与数据分布的变化关系最大。这篇综述将帮助感兴趣的研究人员快速进入数据流半监督分类领域