面向 Uber 用户定向自动化系统中概念漂移问题的对抗验证方法
机器学习
2020-06-29 v2 机器学习
摘要
在用户定向自动化系统中，输入数据的概念漂移是主要挑战之一。它会随时间推移导致模型在新数据上的性能下降。以往关于概念漂移的研究大多提出在观察到性能下降后进行模型重训练。然而，这种方法并非最优，因为系统只有在遭受新数据上较差性能之后才解决问题。在此，我们引入一种针对用户定向自动化系统中概念漂移问题的对抗验证方法。借助我们的方法，系统在进行推理前检测新数据中的概念漂移，训练模型，并生成适应新数据的预测。我们表明，我们的方法在 AutoML3 终身机器学习挑战数据以及 Uber 内部用户定向自动化系统 MaLTA 中均能有效应对概念漂移。
引用
@article{arxiv.2004.03045,
title = {Adversarial Validation Approach to Concept Drift Problem in User Targeting Automation Systems at Uber},
author = {Jing Pan and Vincent Pham and Mohan Dorairaj and Huigang Chen and Jeong-Yoon Lee},
journal= {arXiv preprint arXiv:2004.03045},
year = {2020}
}
备注
12 pages, 4 figures