BELS: A broad ensemble learning system for data stream classification

Veri akışı sınıflandırması, zamansal verilerdeki artış nedeniyle önemli bir araştırma konusu haline gelmiştir. Kavram kaymaları, veri akışı sınıflandırmasındaki en önemli sorunlardan biridir ve veri akışının istatistiki özelliklerinin zamanla değişmesi olarak tanımlanabilir. Verilerin zamanla değişmesi, statik tahmin modellerinin işlevsizleşmesine neden olur. Daha sağlam ve başarılı modeller geliştirmek için kavram kaymasına uyum sağlayabilen modeller gereklidir. Geniş Öğrenme Sistemi (BLS), artımlı öğrenme için yakın zamanda geliştirilen etkili bir geniş nöral mimaridir. BLS, büyük veri yığınları gerektirmesi nedeniyle kavram kaymalarını anlık tanımlamada ve uyum sağlamada başarısızdır. Bu çalışmada, kavram kaymalarına uyum sağlayabilen bir akış sınıflandırması için Geniş Topluluk Öğrenme Sistemi'ini (BELS) öneriyoruz. BELS, BLS'nin limitasyonlarını dinamik bir çıktı topluluğu katmanı kullanarak çözer ve "sınıfının-en-iyisi" model doğruluğunu artıran yeni bir güncelleme yöntemi kullanır. BELS'in matematiksel çıkarımının yanında, BLS ile karşılaştırılması da dahil 11 veri kümesi üzerinden gerçekleştirilen kapsamlı deney sonuçlarını sunuyoruz. Bu deneyler ile birlikte BELS'in teknolojiyi temsil eden yedi temel çizgiden önemli ölçüde üstün olduğunu gösteriyoruz. Önerilen yöntemimiz, BLS'ye kıyasla ortalama %44 ve diğer rekabetçi modellere kıyasla ortalama %29 oranında daha başarılıdır.