基于社会网络理论的回归任务概念漂移检测进展
机器学习
2023-04-20 v1
摘要
数据挖掘流因其在众多知识领域的应用而成为机器学习领域的主要研究之一。挖掘数据流的主要挑战之一是概念漂移，要求学习器丢弃当前概念并适应新概念。基于集成的漂移检测算法已成功用于分类任务，但通常维持固定大小的 learner 集成，面临无谓消耗处理时间与内存的风险。本文我们对无标度网络回归器（SFNR）提出改进，这是一种采用社会网络理论的基于动态集成的回归方法。为检测概念漂移，SFNR 使用自适应窗口（ADWIN）算法。结果显示在准确率上的提升，尤其在概念漂移情形下，且在真实与合成数据上均优于其他最优算法。
引用
@article{arxiv.2304.09788,
title = {Advances on Concept Drift Detection in Regression Tasks using Social Networks Theory},
author = {Jean Paul Barddal and Heitor Murilo Gomes and Fabrício Enembreck},
journal= {arXiv preprint arXiv:2304.09788},
year = {2023}
}