Collaborative data stream mining in ubiquitous environments using dynamic classifier selection

Bártolo Gomes, Joao Paulo; Medhat Gaber, Mohamed; Sousa, Pedro y Menasalvas Ruiz, Ernestina (2013). Collaborative data stream mining in ubiquitous environments using dynamic classifier selection. "International Journal of Information Technology & Decision Making", v. 12 ; pp.. ISSN 0219-6220.

Descripción

Título: Collaborative data stream mining in ubiquitous environments using dynamic classifier selection
Autor/es:
  • Bártolo Gomes, Joao Paulo
  • Medhat Gaber, Mohamed
  • Sousa, Pedro
  • Menasalvas Ruiz, Ernestina
Tipo de Documento: Artículo
Título de Revista/Publicación: International Journal of Information Technology & Decision Making
Fecha: 2013
Volumen: 12
Materias:
Palabras Clave Informales: Collaborative Data Stream Mining, Ubiquitous Knowledge Discovery, Performance evaluation, Descubrimiento de conocimiento ubicuo, Búsqueda de datos por flujos colaborativos, Evaluación de la presentación.
Escuela: Facultad de Informática (UPM) [antigua denominación]
Departamento: Lenguajes y Sistemas Informáticos e Ingeniería del Software
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (1MB) | Vista Previa

Resumen

In ubiquitous data stream mining applications, different devices often aim to learn concepts that are similar to some extent. In these applications, such as spam filtering or news recommendation, the data stream underlying concept (e.g., interesting mail/news) is likely to change over time. Therefore, the resultant model must be continuously adapted to such changes. This paper presents a novel Collaborative Data Stream Mining (Coll-Stream) approach that explores the similarities in the knowledge available from other devices to improve local classification accuracy. Coll-Stream integrates the community knowledge using an ensemble method where the classifiers are selected and weighted based on their local accuracy for different partitions of the feature space. We evaluate Coll-Stream classification accuracy in situations with concept drift, noise, partition granularity and concept similarity in relation to the local underlying concept. The experimental results show that Coll-Stream resultant model achieves stability and accuracy in a variety of situations using both synthetic and real world datasets.

Más información

ID de Registro: 19176
Identificador DC: http://oa.upm.es/19176/
Identificador OAI: oai:oa.upm.es:19176
URL Oficial: http://www.worldscientific.com/worldscinet/ijitdm
Depositado por: Memoria Investigacion
Depositado el: 23 Sep 2013 13:38
Ultima Modificación: 21 Abr 2016 17:24
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM