基于得分向量的监督学习模型概念漂移监测与诊断
机器学习
2022-09-14 v2 机器学习
摘要
监督学习模型是最基础的模型类别之一。从概率视角看待监督学习，通常假设拟合模型的训练数据集服从平稳分布。然而，这一平稳性假设常被一种称为概念漂移的现象所违背，它指的是协变量 与响应变量 之间预测关系随时间的改变，并会使训练好的模型变得次优或 obsolete。我们开发了一个全面且计算高效的框架，用于检测、监测和诊断概念漂移。具体而言，我们监测 Fisher 得分向量（定义为拟合模型对数似然的梯度），采用一种多元指数加权移动平均的形式，以监测随机向量均值的普遍变化。尽管我们展示了相比流行的基于误差的方法具有显著的性能优势，但基于得分的方法此前未被考虑用于概念漂移监测。所提出的基于得分的框架的优势包括：适用于任意参数模型、如理论与实验所示更强的变化检测能力，以及用于帮助识别变化性质的内在诊断能力。
关键词
引用
@article{arxiv.2012.06916,
title = {Concept Drift Monitoring and Diagnostics of Supervised Learning Models via Score Vectors},
author = {Kungang Zhang and Anh T. Bui and Daniel W. Apley},
journal= {arXiv preprint arXiv:2012.06916},
year = {2022}
}