스트리밍 데이터에서 분류기는 그것의 학습데이터와 분류할 데이터간의 분포가 다를 수 있기 때문에 갱신되어야 한다. 그러나 어느 데이터가 현재 분류기의 학습데이터와 동일한 분포에서 발생되는 데이터인지 알 수 없다. 따라서 주기적으로 분류기를 갱신하는 것이 일반적인 방법이다. 이러한 접근방법에서는 갱신 주기를 데이터 개수로 결정하였을 때, 사전에 분류기의 갱신 주기를 짧게 설정하면 불필요하게 분류기를 갱신하게 되고, 반대로 갱신 주기를 길게 설정하면 스트리밍 데이터 분포 변화에 대한 분류기 적응이 느려진다. 본 논문에서는 학습 데이터를 이용하여 분류기를 갱신하기 위한 데이터들을 온라인상에서 선택할 수 있는 방법을 제안하고, 이를 적용하여 스트리밍 데이터에서 앙상블 분류기를 생성한다. 제안한 방법은 온라인에서 데이터 선택 주기가 짧아지면 분류기 갱신이 자주 일어나고, 선택 주기가 길어지면 분류기 갱신주기가 길어진다. 제안한 방법을 적용한 앙상블이 9개의 실험 데이터에 대해서 기존 방법을 적용한 앙상블에 비해 평균 10.2% 레이블된 데이터를 가지고 평균 5.1% 단일 분류기를 생성하연서 거의 동등한 수준의 정확성을 얻었다. 또한 제안한 방법이 효율적으로 앙상블을 갱신하는지를 확인하기 위해서 3개의 벤치마크 스트리밍 데이터를 사용하여 단일 분류기의 생성 시점을 분석하였다.
In data stream environments classifiers have to be refined because distributions that are different from the current data distribution can occur. However, we can not know if the current datum is driven from the current data distribution or not. According to the reason, classifiers are generally refined based on regular time interval. In such a approach if a period of time is predefined as a small value, a classifier that maintains the current performance can be unnecessarily refined by human experts. If it is predefined as a large value, a classifier can not be refined more quickly when its classification accuracy is decreasing. In this paper, we select data for refining a classifier from streaming data in an online process. Our selection methodology uses training data, and is applied to built an ensemble of classifiers over streaming data. We compared the results of our ensemble approach and of a conventional ensemble approach where new classifiers for an ensemble are periodically generated. In experiments with nine benchmark data sets including three real streaming data sets, our ensemble approach generated an average of 5.1% classifiers using an average of 10.2% labeled data for the conventional ensemble approach, and produced comparable classification accuracy. To exhibit our approach efficiently generates new classifiers for an ensemble over streaming data, we analyzed the three real streaming data sets in a time domain.
