有新类的动态数据流分类算法研究

武炜杰，张景祥

江南大学理学院，江苏无锡214122

随着科学技术的不断发展，数据流挖掘在许多领域上被广泛应用，如控制系统[1]、时间预测[2]、异常检测[3]等。数据流分类问题是数据挖掘任务中的重要研究内容，特别是静态数据向动态数据转变过程中新类检测、多类标检测、数据漂移检测等都给数据挖掘带来了挑战[4]。

现实环境的改变使得数据分布变化，或新类出现，这就导致用先前数据训练好的分类器不能准确地识别出数据流中新类样本。

学者们认为数据流中新类检测问题是增量学习方式，并提出很多研究方法。Zhang 等人[5]提出类别增量学习（class-incremental learning，C-IL）算法，通过更新分类器来处理新类出现的情况。Da 等人[6]提出基于利用未标记数据学习新类（learning with augmented class with unlabeled data，LACU）框架的LACUSVM 半监督学习算法，利用可便捷收集的大量未标记数据学习新类。现有的类别增量学习算法（如ECSMine（enhanced classifier for data streams with novel class miner）[7]、CLAM（class based micro classifier ensemble）[8]、SCDMiner（adaptive semi-supervised concept drift miner with novel class detection and delayed labeling）[9]等）大多基于聚类的方法来检测新类，但由于聚类属于无监督学习方法，算法的新类检测性能与分类精确度并不理想。

Hawkins 揭示了异常点的本质[10]。将新类样本看成与已知类样本产生于不同机制的异常点样本。基于随机森林（random forest，RF）模型检测异常点，学者们提出了许多有效方法。如张钰等人[11]将随机森林应用在滚动轴承故障诊断中，许欧阳等人[12]针对无线传感器网络异常数据检测问题，使用变异二进制萤火虫算法（mutation binary glowworm swarm optimization，MBGSO）优化RF 模型并提出MBGSO-ARF 异常点检测算法，还有赵清华等人[13]将随机森林应用在不平衡数据集上进行分类研究。……