DriftGAN: 利用历史数据进行无监督的重复概念漂移检测
机器学习
2024-07-10 v1
摘要
在实际应用中,输入数据分布很少在一段时间内保持静态,这种现象被称为概念漂移。这种概念漂移会降低模型的预测性能,因此我们需要方法来克服这些问题。第一步是识别概念漂移并建立训练方法以恢复模型性能。大多数概念漂移检测方法致力于检测概念漂移并发出需要重新训练模型的信号。然而,在实际案例中,可能存在在一段时间内重复出现的概念漂移。本文提出了一种基于生成对抗网络的无监督方法来检测概念漂移,并识别特定概念漂移是否在过去发生过。我们的方法减少了模型为跟上重复漂移所需的时间和数据。关键结果表明,我们提出的模型在大多数数据集上可以超越当前最先进的模型。我们还在一个来自天体物理学的实际用例上测试了该方法,在该用例中,我们检测弓形激波和磁层顶穿越,结果优于该领域现有方法。
引用
@article{arxiv.2407.06543,
title = {DriftGAN: Using historical data for Unsupervised Recurring Drift Detection},
author = {Christofer Fellicious and Sahib Julka and Lorenz Wendlinger and Michael Granitzer},
journal= {arXiv preprint arXiv:2407.06543},
year = {2024}
}