CADM：基于混淆模型的块数据流真实漂移检测方法
机器学习
2023-03-31 v1
摘要
概念漂移检测因其在健康监测和故障诊断等许多实际应用中的重要性而备受关注。通常，当环境的评估标准发生变化（即概念漂移）时，大多数先进方法性能不佳，或只能检测并适应虚拟漂移。本文中，我们提出一种基于概念混淆、在有限标注下检测块数据流中真实漂移的新方法。当新数据块到达时，我们在预测和漂移检测后使用真实标签与伪标签更新模型。在此情形下，一旦发生漂移，模型将产生混淆并给出预测差异。我们随后采用余弦相似度度量该差异，并提出一种自适应阈值方法以发现异常值。实验表明，我们的方法在使用不同分类器时具有较低的误报率和漏报率。
引用
@article{arxiv.2303.16906,
title = {CADM: Confusion Model-based Detection Method for Real-drift in Chunk Data Stream},
author = {Songqiao Hu and Zeyi Liu and Xiao He},
journal= {arXiv preprint arXiv:2303.16906},
year = {2023}
}
备注
To be published in EAI S-CUBE 2022 - 13th EAI International Conference on Sensor Systems and Software