分段加权的概念漂移检测方法

doi:10.11772/j.issn.1001-9081.2022020231

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (3): 776-784.DOI: 10.11772/j.issn.1001-9081.2022020231

• 数据科学与技术 • 上一篇

分段加权的概念漂移检测方法

陈志强, 韩萌(), 武红鑫, 李慕航, 张喜龙

北方民族大学计算机科学与工程学院，银川 750021

收稿日期:2022-03-02 修回日期:2022-05-25 接受日期:2022-05-25 发布日期:2022-08-16 出版日期:2023-03-10
通讯作者: 韩萌
作者简介:陈志强（1998—），男，江苏扬州人，硕士研究生，CCF会员，主要研究方向：数据挖掘、数据流分类
韩萌（1982—），女，河南商丘人，教授，博士，CCF会员，主要研究方向：数据挖掘
武红鑫（1998—），女，山西太原人，硕士研究生，主要研究方向：数据流分类
李慕航（1997—），男，山西太原人，硕士研究生，CCF会员，主要研究方向：模式挖掘
张喜龙（1996—），男，宁夏银川人，硕士研究生，CCF会员，主要研究方向：数据流分类。
基金资助:
国家自然科学基金资助项目(62062004);宁夏自然科学基金资助项目(2022AAC03279)

Multi-stage weighted concept drift detection method

Zhiqiang CHEN, Meng HAN(), Hongxin WU, Muhang LI, Xilong ZHANG

School of Computer Science and Engineering，North Minzu University，Yinchuan Ningxia 750021，China

Received:2022-03-02 Revised:2022-05-25 Accepted:2022-05-25 Online:2022-08-16 Published:2023-03-10
Contact: Meng HAN
About author:CHEN Zhiqiang， born in 1998， M. S. candidate. His research interests include data mining， data stream classification.
WU Hongxin， born in 1998， M. S. candidate. Her research interests include data stream classification.
LI Muhang， born in 1997， M. S. candidate. His research interests include pattern mining.
ZHANG Xilong， born in 1996， M. S. candidate. His research interests include data stream classification.
Supported by:
National Natural Science Foundation of China(62062004);Natural Science Foundation of Ningxia(2022AAC03279)

摘要/Abstract

摘要：

针对现有漂移检测方法无法平衡检测延迟、误报与漏报以及时空效率等问题，提出一个新的阶段转换阈值参数，在概念漂移检测中引入包含“稳定阶段-警告阶段-漂移阶段”的分段加权机制，对实例分阶段地赋予权重，并将该机制应用在双层滑动窗口中；然后基于Hoeffding不等式提出一种分段加权的概念漂移检测方法（MSDDM）。在人工数据集上，相较于FHDDM、HDDM等漂移检测方法，MSDDM能够更快地检测出突变与渐变概念漂移，同时又能保持较低的误检率与漏检率；在真实数据集上，MSDDM相较于其他方法在大部分情况下都具有最高的分类准确率。实验结果表明，MSDDM能够以较高的漂移检测性能和较优的时空效率检测出数据流中的概念漂移。

关键词: 数据流, 概念漂移, 漂移检测, 滑动窗口, 分段加权机制

Abstract:

Aiming at the problem of the existing drift detection methods in balancing the detection delay， false positives， false negatives， and spatiotemporal efficiency， a new stage transition threshold parameter was proposed， and a multi-stage weighting mechanism including “stable stage-warning stage-drift stage” was introduced in the concept drift detection to weight the instances in stages， and the mechanism was applied to the double sliding window. Then a Multi-Stage weighted Drift Detection Method （MSDDM） based on Hoeffding inequality was proposed. On artificial datasets， MSDDM detected abrupt and gradual concept drift faster than Fast Hoeffding Drift Detection Method （FHDDM）， Drift Detection Method based on Hoeffding’s bound （HDDM） and other drift detection methods， while maintained a low false detection rate and a false alarm rate. At the same time， MSDDM had the highest classification accuracy in most cases compared with other methods on real-world datasets. Experimental results show that MSDDM can detect concept drift in data streams with high drift detection performance and great spatiotemporal efficiency.

Key words: data stream, concept drift, drift detection, sliding window, multi-stage weighting mechanism

中图分类号:

TP391

陈志强, 韩萌, 武红鑫, 李慕航, 张喜龙. 分段加权的概念漂移检测方法[J]. 计算机应用, 2023, 43(3): 776-784.

Zhiqiang CHEN, Meng HAN, Hongxin WU, Muhang LI, Xilong ZHANG. Multi-stage weighted concept drift detection method[J]. Journal of Computer Applications, 2023, 43(3): 776-784.

图/表 11

参考文献 29

1	HU H Q， KANTARDZIC M M， SETHI T S. No Free lunch theorem for concept drift detection in streaming data classification： a review［J］. WIREs Data Mining and Knowledge Discovery， 2020， 10（2）： No.e1327. 10.1002/widm.1327
2	GOEL K， BATRA S. Adaptive online learning for classification under concept drift［J］. International Journal of Computational Science and Engineering， 2021， 24（2）： 128-135. 10.1504/ijcse.2021.10037867
3	MASSI M C， IEVA F， LETTIERI E. Data mining application to healthcare fraud detection： a two-step unsupervised clustering method for outlier detection with administrative databases［J］. BMC Medical Informatics and Decision Making， 2020， 20： No.160. 10.1186/s12911-020-01143-9
4	DEMERTZIS K， ILIADIS L， ANEZAKIS V D. A dynamic ensemble learning framework for data stream analysis and real-time threat detection［C］// Proceedings of the 2018 International Conference on Artificial Neural Networks. Cham： Springer， 2018： 669-681. 10.1007/978-3-030-01418-6_66
5	DASH R， SAMAL S， DASH R， et al. An integrated TOPSIS crow search based classifier ensemble： in application to stock index price movement prediction［J］. Applied Soft Computing， 2019， 85： No.105784. 10.1016/j.asoc.2019.105784
6	张炳，文峥，魏筱瑜，等. InterDroid：面向概念漂移的可解释性Android恶意软件检测方法［J］. 计算机研究与发展， 2021， 58（11）：2456-2474. 10.7544/issn1000-1239.2021.20210560
	ZHANG B， WEN Z， WEI X Y， et al. InterDroid： an interpretable Android malware detection method for conceptual drift［J］. Journal of Computer Research and Development， 2021， 58（11）：2456-2474. 10.7544/issn1000-1239.2021.20210560
7	GAMA J， MEDAS P， CASTILLO G， et al. Learning with drift detection［C］// Proceedings of the 2004 Brazilian Symposium on Artificial Intelligence. Berlin： Springer， 2004： 286-295. 10.1007/978-3-540-28645-5_29
8	BAENA-GARCÍA M， DEL CAMPO-ÁVILA J， FIDALGO R， et al. Early drift detection method［EB/OL］. ［2022-01-20］..
9	BARROS R S M， CABRAL D R L， GONÇALVES P M， Jr.， et al. RDDM： reactive drift detection method［J］. Expert Systems with Applications， 2017， 90： 344-355. 10.1016/j.eswa.2017.08.023
10	BARROS R S M D， HIDALGO J I G， CABRAL D R D L. Wilcoxon rank sum test drift detector［J］. Neurocomputing， 2018， 275： 1954-1963. 10.1016/j.neucom.2017.10.051
11	MAHDI O A， PARDEDE E， ALI N， et al. Diversity measure as a new drift detection method in data streaming［J］. Knowledge-Based Systems， 2020， 191： No.105227. 10.1016/j.knosys.2019.105227
12	BAIDARI I， HONNIKOLL N. Bhattacharyya distance based concept drift detection method for evolving data stream［J］. Expert Systems with Applications， 2021， 183： No.115303. 10.1016/j.eswa.2021.115303
13	BIFET A， GAVALDÁ R. Learning from time-changing data with adaptive windowing［C］// Proceedings of the 7th SIAM International Conference on Data Mining. Philadelphia， PA： SIAM， 2007： 443-448. 10.1137/1.9781611972771.42
14	HUANG D T J， KOH Y S， DOBBIE G， et al. Detecting volatility shift in data streams［C］// Proceedings of 2014 IEEE International Conference on Data Mining. Piscataway： IEEE， 2014： 863-868. 10.1109/icdm.2014.50
15	PESARANGHADER A， VIKTOR H L. Fast Hoeffding drift detection method for evolving data streams［C］// Proceedings of 2016 Joint European Conference on Machine Learning and Knowledge Discovery in Databases. Cham： Springer， 2016： 96-111. 10.1007/978-3-319-46227-1_7
16	FRÍAS-BLANCO I， DEL CAMPO-ÁVILA J， RAMOS-JIMÉNEZ G， et al. Online and non-parametric drift detection methods based on Hoeffding’s bounds［J］. IEEE Transactions on Knowledge and Data Engineering， 2015， 27（3）： 810-823. 10.1109/tkde.2014.2345382
17	PESARANGHADER A， VIKTOR H L， PAQUET E. McDiarmid drift detection methods for evolving data streams［C］// Proceedings of 2018 International Joint Conference on Neural Networks. Piscataway： IEEE， 2018： 1-9. 10.1109/ijcnn.2018.8489260
18	GAMA J， SEBASTIÃO R， RODRIGUES P P. On evaluating stream learning algorithms［J］. Machine Learning， 2013， 90（3）： 317-346. 10.1007/s10994-012-5320-9
19	LU J， LIU A J， DONG F， et al. Learning under concept drift： a review［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 31（12）： 2346-2363.
20	OLIVEIRA G H F M， MINKU L L， OLIVEIRA A L I. GMM-VRD： a gaussian mixture model for dealing with virtual and real concept drifts［C］// Proceedings of 2019 International Joint Conference on Neural Networks. Piscataway： IEEE， 2019： 1-8. 10.1109/ijcnn.2019.8852097
21	GUO H S， LI H， REN Q Y， et al. Concept drift type identification based on multi-sliding windows［J］. Information Sciences， 2022， 585： 1-23. 10.1016/j.ins.2021.11.023
22	郭虎升，任巧燕，王文剑. 基于时序窗口的概念漂移类别检测［J］. 计算机研究与发展， 2022， 59（1）：127-143. 10.7544/issn1000-1239.20200562
	GUO H S， REN Q Y， WANG W J. Concept drift class detection based on time window［J］. Journal of Computer Research and Development， 2022， 59（1）：127-143. 10.7544/issn1000-1239.20200562
23	KHAMASSI I， SAYED-MOUCHAWEH M， HAMMAMI M， et al. Discussion and review on evolving data streams and concept drift adapting［J］. Evolving Systems， 2018， 9（1）： 1-23. 10.1007/s12530-016-9168-2
24	NISHIDA K， YAMAUCHI K. Detecting concept drift using statistical testing［C］// Proceedings of the 2007 International Conference on Discovery Science. Berlin： Springer， 2007：264-269. 10.1109/icmlc.2007.4370772
25	PESARANGHADER A， VIKTOR H L， PAQUET E. Reservoir of diverse adaptive learners and stacking fast Hoeffding drift detection methods for evolving data streams［J］. Machine Learning， 2018， 107（11）： 1711-1743. 10.1007/s10994-018-5719-z
26	PEARS R， SAKTHITHASAN S， KOH Y S. Detecting concept change in dynamic data streams［J］. Machine Learning， 2014， 97（3）： 259-293. 10.1007/s10994-013-5433-9
27	HOEFFDING W. Probability inequalities for sums of bounded random variables［J］. Journal of the American Statistical Association， 1963， 58（301）： 13-30. 10.1080/01621459.1963.10500830
28	BIFET A， HOLMES G， KIRKBY R， et al. MOA： massive online analysis［J］. Journal of Machine Learning Research， 2010， 11： 1601-1604.
29	BIFET A， HOLMES G， PFAHRINGER B， et al. Fast perceptron decision tree learning from evolving data streams［C］// Proceedings of the 2010 Pacific-Asia Conference on Knowledge Discovery and Data Mining， LNCS 6119. Berlin： Springer， 2010： 299-310.

分类	数据集	实例数	特征维数	类标签数	漂移数	概念长度/10³	漂移类型
人工数据集	SINE	10⁵	2	2	4	20	突变型
	MIXED	10⁵	4	2	4	20	突变型
	LED	10⁵	24	10	3	25	渐变型
	CIRCLES	10⁵	2	2	3	25	渐变型
真实数据集	ELECTRICITY	45 312	8	2	—	—	—
	POKER HAND	10⁶	2	10	—	—	—
	FOREST COVERTYPE	581 012	54	7	—	—	—

分类	数据集	实例数	特征维数	类标签数	漂移数	概念长度/10³	漂移类型
人工数据集	SINE	10⁵	2	2	4	20	突变型
	MIXED	10⁵	4	2	4	20	突变型
	LED	10⁵	24	10	3	25	渐变型
	CIRCLES	10⁵	2	2	3	25	渐变型
真实数据集	ELECTRICITY	45 312	8	2	—	—	—
	POKER HAND	10⁶	2	10	—	—	—
	FOREST COVERTYPE	581 012	54	7	—	—	—

分类器	方法	LED				CIRCLES				SINE				MIXED
分类器	方法	DD	TPR	FPR	FNR	DD	TPR	FPR	FNR	DD	TPR	FPR	FNR	DD	TPR	FPR	FNR
NB	MSDDM	215.20	1.00	0	0	120.20	1.00	0.23	0	33.80	1.00	0.10	0	33.35	1.00	0.20	0
	MSDDM_non	215.22	1.00	0.12	0	120.21	1.00	0.33	0	33.80	1.00	0.21	0	33.34	1.00	0.33	0
	BDDM	230.22	1.00	0	0	138.60	1.00	0.23	0	38.25	1.00	0.10	0	37.35	1.00	0.20	0
	FHDDMS	260.93	1.00	0	0	180.60	1.00	0	0	40.80	1.00	0	0	40.65	1.00	0.15	0
	FHDDM	260.93	1.00	0	0	180.60	1.00	0	0	49.85	1.00	0	0	48.70	1.00	0.12	0
	MDDM_A	257.20	1.00	0	0	186.67	1.00	0	0	41.65	1.00	0	0	39.45	1.00	0.12	0
	MDDM_E	224.27	1.00	0	0	127.07	1.00	0.10	0	41.70	1.00	0	0	39.65	1.00	0.17	0
	MDDM_G	224.27	1.00	0	0	127.07	1.00	0.10	0	40.70	1.00	0.04	0	39.65	1.00	0.17	0
	HDDM_W	287.40	1.00	0	0	157.00	1.00	0.26	0	34.75	1.00	0	0	34.40	1.00	0.30	0
	HDDM_A	310.20	1.00	0	0	237.73	1.00	0.13	0	94.15	1.00	0.04	0	72.80	1.00	0	0
	EDDM	741.67	0.33	0.67	0.67	956.00	0.07	0.99	0.93	209.00	0.05	0.99	0.95	42.50	0.15	0.98	0.85
	RDDM	332.93	1.00	0	0	403.53	1.00	0.36	0	88.63	1.00	0.31	0	99.05	1.00	0.37	0
	DDM	432.73	1.00	0	0	640.70	0.67	0.37	0.33	160.02	0.70	0.07	0	157.55	0.80	0.28	0.20
HT	MSDDM	210.27	1.00	0	0	54.60	1.00	0.10	0	34.05	1.00	0.01	0	32.25	1.00	0.25	0
	MSDDM_non	210.27	1.00	0.15	0	54.61	1.00	0.21	0	34.00	1.00	0.10	0	32.25	1.00	0.35	0
	BDDM	238.56	1.00	0	0	65.23	1.00	0.10	0	38.90	1.00	0.10	0	37.95	1.00	0.25	0
	FHDDMS	256.00	1.00	0	0	69.80	1.00	0	0	41.55	1.00	0.04	0	42.45	1.00	0.23	0
	FHDDM	261.00	1.00	0	0	77.27	1.00	0	0	49.20	1.00	0.04	0	52.40	1.00	0	0
	MDDM_A	260.93	1.00	0	0	77.27	1.00	0	0	51.80	1.00	0.04	0	49.10	1.00	0.12	0
	MDDM_E	224.27	1.00	0	0	68.53	1.00	0.05	0	39.35	1.00	0.07	0	39.40	1.00	0.29	0
	MDDM_G	224.27	1.00	0	0	61.40	1.00	0.13	0	39.35	1.00	0.07	0	40.30	1.00	0.28	0
	HDDM_W	287.40	1.00	0	0	76.27	1.00	0.13	0	33.35	1.00	0.04	0	35.70	1.00	0.35	0
	HDDM_A	277.73	1.00	0	0	73.67	1.00	0.18	0	57.65	1.00	0.12	0	66.60	1.00	0.25	0
	EDDM	876.75	0.27	0.87	0.73	316.00	0.13	0.99	0.87	247.50	0.05	0.99	0.95	338.25	0.20	0.99	0.80
	RDDM	338.13	1.00	0	0	272.13	1.00	0.05	0	97.65	1.00	0.31	0	94.35	1.00	0.50	0
	DDM	444.00	1.00	0	0	429.33	1.00	0.05	0	155.00	0.90	0.31	0.10	170.60	0.85	0.18	0.15

分类器	方法	LED				CIRCLES				SINE				MIXED
分类器	方法	DD	TPR	FPR	FNR	DD	TPR	FPR	FNR	DD	TPR	FPR	FNR	DD	TPR	FPR	FNR
NB	MSDDM	215.20	1.00	0	0	120.20	1.00	0.23	0	33.80	1.00	0.10	0	33.35	1.00	0.20	0
	MSDDM_non	215.22	1.00	0.12	0	120.21	1.00	0.33	0	33.80	1.00	0.21	0	33.34	1.00	0.33	0
	BDDM	230.22	1.00	0	0	138.60	1.00	0.23	0	38.25	1.00	0.10	0	37.35	1.00	0.20	0
	FHDDMS	260.93	1.00	0	0	180.60	1.00	0	0	40.80	1.00	0	0	40.65	1.00	0.15	0
	FHDDM	260.93	1.00	0	0	180.60	1.00	0	0	49.85	1.00	0	0	48.70	1.00	0.12	0
	MDDM_A	257.20	1.00	0	0	186.67	1.00	0	0	41.65	1.00	0	0	39.45	1.00	0.12	0
	MDDM_E	224.27	1.00	0	0	127.07	1.00	0.10	0	41.70	1.00	0	0	39.65	1.00	0.17	0
	MDDM_G	224.27	1.00	0	0	127.07	1.00	0.10	0	40.70	1.00	0.04	0	39.65	1.00	0.17	0
	HDDM_W	287.40	1.00	0	0	157.00	1.00	0.26	0	34.75	1.00	0	0	34.40	1.00	0.30	0
	HDDM_A	310.20	1.00	0	0	237.73	1.00	0.13	0	94.15	1.00	0.04	0	72.80	1.00	0	0
	EDDM	741.67	0.33	0.67	0.67	956.00	0.07	0.99	0.93	209.00	0.05	0.99	0.95	42.50	0.15	0.98	0.85
	RDDM	332.93	1.00	0	0	403.53	1.00	0.36	0	88.63	1.00	0.31	0	99.05	1.00	0.37	0
	DDM	432.73	1.00	0	0	640.70	0.67	0.37	0.33	160.02	0.70	0.07	0	157.55	0.80	0.28	0.20
HT	MSDDM	210.27	1.00	0	0	54.60	1.00	0.10	0	34.05	1.00	0.01	0	32.25	1.00	0.25	0
	MSDDM_non	210.27	1.00	0.15	0	54.61	1.00	0.21	0	34.00	1.00	0.10	0	32.25	1.00	0.35	0
	BDDM	238.56	1.00	0	0	65.23	1.00	0.10	0	38.90	1.00	0.10	0	37.95	1.00	0.25	0
	FHDDMS	256.00	1.00	0	0	69.80	1.00	0	0	41.55	1.00	0.04	0	42.45	1.00	0.23	0
	FHDDM	261.00	1.00	0	0	77.27	1.00	0	0	49.20	1.00	0.04	0	52.40	1.00	0	0
	MDDM_A	260.93	1.00	0	0	77.27	1.00	0	0	51.80	1.00	0.04	0	49.10	1.00	0.12	0
	MDDM_E	224.27	1.00	0	0	68.53	1.00	0.05	0	39.35	1.00	0.07	0	39.40	1.00	0.29	0
	MDDM_G	224.27	1.00	0	0	61.40	1.00	0.13	0	39.35	1.00	0.07	0	40.30	1.00	0.28	0
	HDDM_W	287.40	1.00	0	0	76.27	1.00	0.13	0	33.35	1.00	0.04	0	35.70	1.00	0.35	0
	HDDM_A	277.73	1.00	0	0	73.67	1.00	0.18	0	57.65	1.00	0.12	0	66.60	1.00	0.25	0
	EDDM	876.75	0.27	0.87	0.73	316.00	0.13	0.99	0.87	247.50	0.05	0.99	0.95	338.25	0.20	0.99	0.80
	RDDM	338.13	1.00	0	0	272.13	1.00	0.05	0	97.65	1.00	0.31	0	94.35	1.00	0.50	0
	DDM	444.00	1.00	0	0	429.33	1.00	0.05	0	155.00	0.90	0.31	0.10	170.60	0.85	0.18	0.15

方法	NB分类器			HT分类器
方法	PH	ELE	FC	PH	ELE	FC
MSDDM	77.275 84	84.527 28	86.849 55	77.383 89	85.688 12	87.658 62
DDM	61.968 93	81.177 17	88.026 06	72.739 18	85.414 46	87.354 99
EDDM	77.479 04	84.829 63	86.081 87	77.304 78	84.911 28	86.000 81
FHDDM	75.270 29	81.592 07	83.462 99	75.520 17	83.966 72	83.893 96
FHDDMS	76.167 42	82.686 71	84.492 06	76.295 13	84.582 45	84.696 72
HDDM_A	76.481 09	84.920 11	87.418 16	76.401 62	85.712 39	87.242 62
HDDM_W	77.109 89	84.092 51	86.224 55	77.114 84	85.061 35	85.973 44
MDDM_A	75.270 29	81.592 07	83.462 99	75.520 17	83.966 72	83.893 96
MDDM_E	76.013 05	82.587 39	84.211 17	76.138 96	84.776 66	84.365 56
MDDM_G	76.016 31	82.591 81	84.218 57	76.137 51	84.679 56	84.352 82
BDDM	77.020 19	84.388 24	87.354 82	74.415 85	85.098 87	87.099 23
RDDM	76.669 23	84.191 83	86.861 55	76.696 96	85.180 53	86.415 77

分段加权的概念漂移检测方法

Multi-stage weighted concept drift detection method

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 29

相关文章 15

编辑推荐

Metrics

方法	NB分类器						HT分类器
	CPU seconds			RAM-Hours			CPU seconds			RAM-Hours
	PH	ELE	FC	PH	ELE	FC	PH	ELE	FC	PH	ELE	FC
MSDDM	4.00	0.47	12.31	2.02	1.71	1.42	7.39	0.98	21.64	7.32	8.30	3.74
BDDM	4.69	0.48	12.14	2.19	1.53	1.34	6.80	1.22	25.34	6.40	9.72	4.27
DDM	7.97	0.48	12.10	5.75	1.84	1.74	9.42	1.34	25.23	8.90	1.22	4.30
EDDM	3.92	0.52	12.11	2.23	1.50	1.70	9.81	1.09	22.53	1.02	8.44	3.74
RDDM	4.16	0.45	11.53	2.80	2.62	1.90	9.66	1.27	26.47	1.11	1.40	6.26
FHDDM	4.01	0.50	11.83	1.93	1.64	1.32	6.28	0.80	20.03	5.99	6.43	3.40
FHDDMS	4.25	0.50	11.73	2.07	1.68	1.32	6.55	0.86	22.08	6.29	7.00	3.76
MDDM_A	4.39	0.55	13.27	2.14	1.85	1.50	6.52	0.95	19.03	6.27	7.79	3.24
MDDM_E	4.59	0.50	12.56	2.24	1.69	1.42	7.09	0.78	22.78	6.82	6.37	3.88
MDDM_G	4.23	0.48	12.61	2.07	1.64	1.42	6.55	0.91	20.45	6.30	7.41	3.48
HDDM_A	4.30	0.52	11.42	2.04	1.67	1.54	8.55	1.14	33.14	8.36	9.19	6.88
HDDM_W	4.25	0.48	14.47	2.08	1.64	1.63	9.27	1.02	27.72	8.25	8.31	4.73

[1]	王乐, 韩萌, 李小娟, 张妮, 程浩东. 基于动态加权函数的集成分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1137-1147.
[2]	李小娟, 韩萌, 王乐, 张妮, 程浩东. 基于准确率爬坡的动态加权集成分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 123-131.
[3]	单芝慧, 韩萌, 韩强. 动态数据上的高效用模式挖掘综述[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 94-108.
[4]	景兴红, 孙国栋, 何世彪, 廖勇. 基于滑窗滤波和多项式拟合的时变信道估计方法[J]. 计算机应用, 2021, 41(9): 2699-2704.
[5]	尹春勇, 张帼杰. 面向分布式漂移数据流的集成分类模型[J]. 计算机应用, 2021, 41(7): 1947-1955.
[6]	郭帅, 苏旸. 基于数据流的加密流量分类方法[J]. 计算机应用, 2021, 41(5): 1386-1391.
[7]	樊仲欣. 基于数据流的聚类趋势分析算法[J]. 计算机应用, 2020, 40(8): 2248-2254.
[8]	仇媛, 常相茂, 仇倩, 彭程, 苏善婷. 基于长短期记忆网络和滑动窗口的流数据异常检测方法[J]. 计算机应用, 2020, 40(5): 1335-1339.
[9]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.
[10]	苏振宇, 宋桂香, 刘雁鸣, 赵媛. 服务器管理控制系统威胁建模与应用[J]. 计算机应用, 2019, 39(7): 1991-1996.
[11]	龚鸣清, 叶煌, 张鉴, 卢兴敬, 陈伟. 基于ARMv8架构的面向机器翻译的单精度浮点通用矩阵乘法优化[J]. 计算机应用, 2019, 39(6): 1557-1562.
[12]	孙小涓, 石涛, 胡玉新, 佟继周, 李冰, 宋峣. 基于流式计算的空间科学卫星数据实时处理[J]. 计算机应用, 2019, 39(6): 1563-1568.
[13]	张译天, 于炯, 鲁亮, 李梓杨. 大数据流式计算框架Heron环境下的流分类任务调度策略[J]. 计算机应用, 2019, 39(4): 1106-1116.
[14]	韩萌, 丁剑. 数据流频繁模式挖掘综述[J]. 计算机应用, 2019, 39(3): 719-727.
[15]	杨世强, 罗晓宇, 乔丹, 柳培蕾, 李德信. 基于滑动窗口和动态规划的连续动作分割与识别[J]. 计算机应用, 2019, 39(2): 348-353.