一种面向不平衡非平稳数据流分类的主动-被动混合方法

在现实应用中，生成数据的进程可能会受到非平稳效应的影响（例如，由于季节性、影响传感器或执行器的故障以及用户行为的变化）。这些变化通常被称为概念漂移，可能会对训练好的学习模型产生严重的（潜在灾难性的）影响，使其随时间推移而过时，且不足以解决当前任务。在概念漂移存在下的学习旨在设计能够跟踪并适应概念漂移的机器学习和深度学习模型。通常，处理概念漂移的技术要么是主动的，要么是被动的，且传统上这两者被认为是互斥的。主动技术使用显式漂移检测机制，并在检测到概念漂移时重新训练学习算法。被动技术使用隐式方法处理漂移，并利用增量学习不断更新模型。与文献中的现有方法不同，我们提出了一种混合替代方案，将两种方法融合，从而利用它们的优势。所提出的方法称为混合自适应再平衡（HAREBA），在学习质量和速度方面显著优于强基线和 SOTA 方法；我们还实验了它在严重类别不平衡水平下的有效性。