CODA：通过概念漂移模拟器实现时间域泛化
机器学习
2023-10-04 v1 机器学习
摘要
在真实世界应用中，机器学习模型常因底层时间趋势引起的联合分布偏移而过时，这一现象被称为“概念漂移”。现有工作提出模型特定的策略以在近未来域中实现时间泛化。然而，真实世界数据集的多样性需要定制化的预测模型架构。为此，迫切需求一种模型无关的时间域泛化方法，以在多样数据模态与架构间保持通用性。本工作中，我们旨在从以数据为中心的视角解决概念漂移问题，从而规避考虑数据与模型间的交互。构建此类框架存在重大挑战：（i）现有生成模型难以生成分布外未来数据；（ii）精确捕捉沿时间源域的联合分布时间趋势在计算上不可行。为应对挑战，我们提出概念漂移模拟器（COncept Drift simulAtor, CODA）框架，其结合预测的特征相关矩阵来模拟未来数据以供模型训练。具体而言，CODA 利用特征相关性表示特定时间点的数据特征，从而规避惊人的计算成本。实验结果表明，使用 CODA 生成的数据作为训练输入可有效在不同模型架构间实现时间域泛化。
引用
@article{arxiv.2310.01508,
title = {CODA: Temporal Domain Generalization via Concept Drift Simulator},
author = {Chia-Yuan Chang and Yu-Neng Chuang and Zhimeng Jiang and Kwei-Herng Lai and Anxiao Jiang and Na Zou},
journal= {arXiv preprint arXiv:2310.01508},
year = {2023}
}