摘要

本文介绍了一种名为AiGAS-dEVL的新型自适应增量神经气体模型，用于处理极端验证延迟下的漂移数据流。在当前数据生成速度日益加快的背景下，机器学习模型常常面临数据部分标记或延迟标记的问题，特别是在极端验证延迟情况下，监督信号可能无限期不可用。AiGAS-dEVL模型利用增长型神经气体（GNG）来刻画数据流中随时间变化的概念，通过在线分析这些原型点的行为，定义特征空间中概念的演变，检测其行为的变化，并设计适应策略以减轻这些变化对模型的影响。该模型在多个合成数据集上进行了评估，并与现有技术进行了比较，显示出在多个数据集上的优越适应性，同时保持了简单和可解释的实例基础适应策略。

原理

AiGAS-dEVL模型的核心是使用增长型神经气体（GNG）来动态地刻画数据流中的概念分布。GNG是一种无监督学习算法，能够自适应地增长和调整其网络结构以适应输入数据分布的变化。在AiGAS-dEVL中，GNG用于捕捉数据流中概念的形状和内部点分布，通过连续的非监督学习过程，识别出决定识别集群轮廓的独特节点。这些节点随时间的行为分析有助于定义特征空间中概念的演变，检测行为的变化，并设计适应策略以减轻这些变化对模型的影响。此外，模型通过简单的基于距离的分配启发式方法，追踪非平稳流中概念形状、轨迹和数量的变化。

流程

AiGAS-dEVL的工作流程包括以下关键步骤：

1. 初始化：在监督学习阶段，使用GNG算法从标记的数据流中生成初始节点分布，并通过最近邻算法（NN）为这些节点分配标签。
2. 预测与更新：在无监督学习阶段，模型接收新的数据批次，使用当前的GNG节点分布预测新数据的标签，并更新GNG节点分布。
3. 节点匹配与投影：通过解决最小成本分配问题，将新旧GNG节点分布进行匹配，并估计描述数据流分布演变的投影。
4. 迭代处理：重复上述步骤，对每个新接收的数据批次进行预测、节点更新、匹配和投影，以适应数据流的动态变化。

应用

AiGAS-dEVL模型特别适用于需要处理极端验证延迟和概念漂移的数据流应用场景，如在线监控、实时分析和动态环境下的机器学习任务。其自适应能力和对非平稳数据流的处理能力使其在金融、网络安全、工业物联网等领域具有广泛的应用前景。