多类不平衡数据流中的概念漂移检测

从数据流中持续学习是当代机器学习最重要的课题之一。该领域最大的挑战在于创建能够持续适应到达数据的算法。然而，随着流随时间演化，先前学习的知识可能过时。此现象称为概念漂移，必须被检测以促成学习模型的高效适应。尽管存在大量漂移检测器，它们均假设所处理为大致平衡的类。在不平衡数据流情况下，这些检测器将偏向多数类，忽略少数类中发生的变化。此外，类不平衡可能随时间演化，且类可能改变其角色（多数变为少数，反之亦然）。这在多类设定中尤为棘手，类间关系变得复杂。本文中，我们提出多类不平衡数据流中概念漂移所带来挑战的详细分类法，以及一种基于受限玻尔兹曼机的新型可训练概念漂移检测器。它能够同时监控多个类，并利用重构误差独立检测各类中的变化。我们的检测器采用偏度不敏感损失函数，使其能处理多种不平衡分布。由于其可训练性质，它能够跟踪流中变化与演化的类角色，并可处理发生于少数类中的局部概念漂移。在多类漂移数据流上的广泛实验研究，辅以对局部漂移与变化不平衡比影响的详细分析，证实了我们的方法具有高有效性。