یادگیری در حضور رانش مفهوم و جریان داده نامتوازن و نویزی

در این پژوهش، چهارچوبی با عنوان یادگیری رانش مفهوم از جریان داده های نامتوازن در حضور نویز، با استفاده از یادگیری جمعی، ارائه شده است. در روش ارائه شده، ابتدا داده ورودی متوازنسازی شده و در مرحله بعد، داده متوازن شده برای طبقه بندی و تشخیص رانش مفهوم، پردازش شود. برای یادگیری در حضور رانش مفهوم، هر طبقه بند که در واقع یک طبقه بند محلی است، پیشنهاد خود را در قالب یک تابع توزیع احتمال روی تمامی تصمیم های ممکن ارائه می دهد. هدف، انتخاب این طبقه بندها به صورت ترکیبی برای مشورت با آنها و در نهایت، اخذ تصمیم نهایی براساس این مشورتها است. نتایج به دست آمده از شبیه سازی این الگوریتم و الگوریتم های مشابه، نشان دهنده برتری این روش در حضور نویز با درصد بالا(بین 8 تا 22 درصد) نسبت به سایر روشهای موجود است.

Keywords:

جریان داده , طبقه بندی , رانش مفهوم , داده نامتوازن , نویز