Signal and Data Processing

fa یادگیری برخط داده‌های جریانی نامتوازن دارای رانش مفهوم به‌وسیله نظریه باور و تابع آشوب Online Learning for Imbalanced Data Streams with Concept Drift by Belief Theory and Chaotic Function مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">خصوصیات داده‌های جریانی در گذر زمان ناپایدار بوده و توزیع طبقات متحمل تغییرات می‌شوند؛ بنابراین مدل‌های یادگیری اغلب نیاز به تطبیق با رانش مفاهیم دارند. در این مقاله، با هدف حل دو چالش نبود توازن میان طبقات مشاهده‌شده و وقوع رانش مفهوم، طبقه‌بند داده‌های جریانی نامتوازن دارای رانش مفهوم ارائه شده است. روش پیشنهادی سعی در حذف داده‌های جریانی مرزی و نوفه‌ای با کمک خوشه‌بندی دارد. داده‌ها با کمک تابع باور وزندهی شده است و با درنظرگرفتن برچسب داده‌ها، نمونهافزایی در نواحی کمتراکم طبقه کمینه و با رویکرد آشوبی انجام می‌گیرد. سپس، با تعریف حدود آستانه، رانش مفهوم پدید آمده از نوع تدریجی و افزایشی شناسایی می‌شود. پیش‌بینی برچسب به‌وسیله طبقه‌بند ترکیبی و رأیگیری وزن‌دار بیشینه انجام می‌پذیرد. عملکرد روش پیشنهادی بر روی مجموعهداده‌های پایگاه داده UCI به‌وسیله روش LOO ارزیابی و با طبقه‌بندهای مرز دانش مقایسه شدهاست. نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی از نظر معیارهای ارزیابی است.  </div> <div style="text-align: justify;">Continual learning from data streams is a pivotal aspect of machine learning, requiring the development of algorithms capable of adapting to incoming data. However, the ongoing evolution of data streams presents a formidable challenge as previously acquired knowledge may become outdated. This challenge, known as concept drift, demands timely detection for the effective adaptation of learning models. While various drift detectors have been proposed, they often assume a relatively balanced class distribution. In scenarios with imbalanced data streams, these detectors may exhibit bias toward majority classes, overlooking shifts in minority classes. Moreover, the imbalance among classes can change over time, with roles shifting between majority and minority classes, especially when relationships among classes become complex due to overlapping regions. In this paper, a novel classification method is introduced for imbalanced streaming data affected by concept drift. The proposed method continuously monitors arriving streams to detect and adapt to both imbalances and concept drift. Upon receiving a new block of data, the proposed method employs the k-means clustering approach to identify non-dense regions and performs oversampling for minority classes. Cluster centers are selected using the belief function to address overlapping issues between majority and minority classes. Utilizing a chaotic approach, the new sample is added based on its neighborhood and the size of thresholds that cover time intervals and classification errors. Finally, the label prediction process is done by ensemble learning and weighted majority voting. Experiments conducted on benchmark datasets from the UCI database evaluate the performance of the proposed method using Leave-One-Out (LOO) validation and comparisons with state-of-the-art methods. The results demonstrate the superiority of the proposed method across various evaluation criteria, highlighting its effectiveness in addressing imbalanced streaming data with concept drift.</div> تغییر مفهوم, داده جریانی, داده نامتوازن, طبقه‌بندی برخط, نظریه باور Belief Theory, Concept Drift, Data Stream, Imbalanced Data, Online Classification 23 34 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1041-3&slc_lang=fa&sid=1 Javad Hamidzadeh جواد حمیدزاده J_Hamidzadeh@sadjad.ac.ir 100319475328460012567 100319475328460012567 Yes Sadjad University دانشگاه سجاد Mohammad Ali Rashidi Mahmoodi محمدعلی رشیدی محمودی ma.rashidi191@sadjad.ac.ir 100319475328460012568 100319475328460012568 No Sadjad University دانشگاه سجاد Mona Moradi منا مرادی monamoradi0@gmail.com 100319475328460012569 100319475328460012569 No Sadjad University دانشگاه سجاد