Incremental Learning with Concept Drift Detection and Prototype-based Embeddings for Graph Stream Classification

数据流挖掘的目标是从不断变化的数据流中提取有意义的知识，解决非静态环境所带来的挑战，尤其是概念漂移，即随着时间推移，基础数据分布的改变。图结构提供了一个强大的建模工具，用于表示复杂系统，例如关键基础设施系统和社交网络。从图流中学习成为了理解图结构动态和促进明智决策的必要条件。本文介绍了一种新的图流分类方法，它在数据生成过程中产生具有不同节点和边的图的一般设置下运作。该方法使用增量学习进行持续模型适应，为每个类别选择代表性图形（原型），并创建图嵌入。此外，它还包括一种基于损失的概念漂移检测机制，在检测到漂移时重新计算图原型。

解决问题：如何从不断演化的数据流中提取有意义的知识？如何处理概念漂移等非平稳环境所带来的挑战？如何从图结构中学习并理解动态变化的复杂系统？

关键思路：使用增量学习进行模型的持续调整，通过选择代表性图形（原型）来创建图嵌入，并结合基于损失的概念漂移检测机制来重新计算图形原型。

亮点：该方法为图流分类引入了一种新的方法，能够处理节点和边数不断变化的图形流。实验结果表明，该方法在多个数据集上都取得了优异的表现。此外，论文还提供了开源代码。

相关研究：最近的相关研究包括：Incremental Learning for Classification in Non-Stationary Environments，Concept Drift Detection in Data Stream Classification: A Systematic Literature Review，Learning from Evolving Data Streams: A Survey。