原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
摘要
随着新一代信息技术的迅猛发展，流数据呈现出生成速度快、数据体量大、时
效性强等特点，其数据分布可能随时间推移而发生变化，引发概念漂移，直接影响
模型的预测准确度和可靠性。在监督环境下，关于概念漂移的研究已经取得了较好
的进展，特征选择与集成学习等策略可以有效检测概念漂移并提升模型的泛化能力。
然而，在弱监督环境下，流数据面临的标签稀缺和数据噪声问题加剧了模型性能衰
退的速度，使概念漂移的检测过程变得更加复杂，增加了模型更新与适应的难度。
如何在弱监督环境下有效处理概念漂移，已成为流数据挖掘的重
文档评论（0）