Sliding Reservoir Approach for Delayed Labeling in Streaming Data Classification

Hu, Hanqing; Kantardzic, Mehmed

doi:10.24251/hicss.2017.205

Cited by 3 publications

(3 citation statements)

References 24 publications

(33 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Any standalone MLC classifier such as MLSAkNN (Roseberry et al, 2021), Multilabel Hoeffding Tree (Read, Bifet, Holmes, & Pfahringer, 2012), or i‐SOUP Tree (Osojnik et al, 2017) could be suitable base learners in this context. To extend OMS‐MAB to delayed label setting, we borrow from (Hu & Kantardzic, 2017) and propose keeping a fixed‐size reservoir of labeled samples. The reservoir is updated with incoming data based on instance and label arrival times, while discarding excessively delayed samples which potentially represent obsolete concepts.…”

Section: Resultsmentioning

confidence: 99%

“…To extend OMS-MAB to delayed label setting, we borrow from (Hu & Kantardzic, 2017) and propose keeping a fixed-size reservoir of labeled samples. The reservoir is updated with incoming data based on instance and label arrival times, while discarding excessively delayed samples which potentially represent obsolete concepts.…”

Section: Limitations and Future Research Directionsmentioning

confidence: 99%

See 1 more Smart Citation

Multi‐armed bandit based online model selection for concept‐drift adaptation

Wilson,

Chaudhury,

Lall

2024

Expert Systems

View full text Add to dashboard Cite

Ensemble methods are among the most effective concept‐drift adaptation techniques due to their high learning performance and flexibility. However, they are computationally expensive and pose a challenge in applications involving high‐speed data streams. In this paper, we present a computationally efficient heterogeneous classifier ensemble entitled OMS‐MAB which uses online model selection for concept‐drift adaptation by posing it as a non‐stationary multi‐armed bandit (MAB) problem. We use a MAB to select a single adaptive learner within the ensemble for learning and prediction while systematically exploring promising alternatives. Each ensemble member is made drift resistant using explicit drift detection and is represented as an arm of the MAB. An exploration factor controls the trade‐off between predictive performance and computational resource requirements, eliminating the need to continuously train and evaluate all the ensemble members. A rigorous evaluation on 20 benchmark datasets and 9 algorithms indicates that the accuracy of OMS‐MAB is statistically at par with state‐of‐the‐art (SOTA) ensembles. Moreover, it offers a significant reduction in execution time and model size in comparison to several SOTA ensemble methods, making it a promising ensemble for resource constrained stream‐mining problems.

show abstract

Section: Resultsmentioning

confidence: 99%

Section: Limitations and Future Research Directionsmentioning

confidence: 99%

Multi‐armed bandit based online model selection for concept‐drift adaptation

Wilson,

Chaudhury,

Lall

2024

Expert Systems

View full text Add to dashboard Cite

show abstract

“…Já os autores em [Plasse and Adams 2016] fornecem um framework que utiliza uma versão do algoritmo Linear Discriminant Analysis (LDA) em fluxo de dados que possui a capacidade de incorporar rótulos atrasados e, além disso, os autores também fornecem uma taxonomia para a latência intermediária. O framework SRALD (Sliding Reservoir Approach for Delayed Labeling) proposto em [Hanqing Hu 2017], lida com a latência intermediária em fluxo de dados por meio de um algoritmo de aprendizagem semi-supervisionada com uma nova abordagem para gerenciar os exemplos rotulados.…”

Section: Trabalhos Relacionadosunclassified

Aprendizagem ativa em fluxo de dados com latência intermediária

Parreira¹,

Prati²

2019

Anais Do XVI Encontro Nacional De Inteligência Artificial E Computacional (ENIAC 2019)

View full text Add to dashboard Cite

Um fluxo de dados é caracterizado por uma produção massiva de exemplos devido à chegada contínua desses exemplos. Em problemas de classificação em fluxo de dados, normalmente o rótulo real do exemplo é necessário para a avaliação do desempenho ou a detecção de mudança de conceito. No entanto, em muitas aplicações, a obtenção de todos os rótulos verdadeiros é impraticável devido ao alto custo associado. Apesar de existirem diversos trabalhos que utilizam a aprendizagem ativa em fluxo de dados para obter uma porção de exemplos rotulados, normalmente eles consideram que o rótulo verdadeiro é disponibilizado de forma imediata na requisição, o que nem sempre é possível devido ao tempo necessário de análise do exemplo. Este artigo tem por objetivo a investigação de um novo cenário de fluxo de dados com latência intermediária e restrição de rotulagem, além de propor algumas estratégias de aprendizagem ativa para esse cenário e um framework de suporte teórico para essas estratégias.

show abstract