自动学习检测概念漂移
人工智能
2021-05-05 v1
摘要
已有许多方法被提出用于检测概念漂移，即流数据分布的变化，因为概念漂移会导致算法预测精度下降。然而，当前大多数检测方法基于数据分布变化程度的评估，无法识别概念漂移的类型。本文提出基于元学习的主动漂移检测（Meta-ADD），一种通过跟踪错误率变化模式来学习分类概念漂移的新框架。具体而言，在训练阶段，我们基于各类概念漂移的错误率提取元特征，随后通过原型神经网络将各类概念漂移表示为相应原型，构建元检测器。在检测阶段，所学的元检测器通过基于流的主动学习进行微调以适应相应数据流。因此，Meta-ADD 利用机器学习来学习自动检测概念漂移并识别其类型，可直接支持漂移理解。实验结果验证了 Meta-ADD 的有效性。
引用
@article{arxiv.2105.01419,
title = {Automatic Learning to Detect Concept Drift},
author = {Hang Yu and Tianyu Liu and Jie Lu and Guangquan Zhang},
journal= {arXiv preprint arXiv:2105.01419},
year = {2021}
}