This study focuses on classification problems in domain adaptation, with a specific emphasis on addressing concept drifts in streaming data. To enhance classification accuracy, we propose a novel semi-supervised ensemble algorithm based on a Bayesian constrained ridge model. Our approach employs the Gibbs sampling algorithm to estimate the weights of the ensemble model and infer the prediction distribution. By utilizing this distribution, we incorporate highly confident predicted labels into the learning process and update the ensemble weights, thereby improving classification performance. To validate the effectiveness of our method, we conduct extensive experiments on synthetic and real-world datasets, comparing it with state-of-the-art semi-supervised algorithms. Our results demonstrate the superior performance of the proposed approach.
이 연구에서는 반응변수와 설명변수의 관계가 변하는 concept drift가 있는 스트리밍 자료에서 분류의 정확도를 향상시키기 위해 베이지안 제약적 능형 모델을 기반으로 한 앙상블 알고리즘을 제안한다. 제안된 알고리즘은 Gibbs 샘플링 알고리즘을 통해 앙상블 가중치와 예측치의 분포를 추정한다. 이를 통해 추정된 라벨 예측의 신뢰성을 활용하여 라벨이 없는 자료들을 학습에 포함시키는 준지도 학습을 통해 앙상블 모델의 성능을 향상시키는 방법을 제안한다. 마지막으로, 여러 가지 모의 자료 및 실제 자료에서의 실험 결과는 제안된 학습 방법이 최신 알고리즘들과 비교하여 우수한 성능을 보여준다
