基于统计学习理论确保概念漂移检测的学习保证
机器学习
2020-06-26 v1 机器学习
摘要
概念漂移（CD）检测旨在持续识别数据流行为的变化，支持研究者对现实世界现象的研究与建模。鉴于当前 CD 算法缺乏学习保证，我们决定利用统计学习理论（SLT）来形式化确保概率学习界所需的必要条件，从而使漂移指向数据中的实际变化而非偶然。如本文所讨论，为了依赖 SLT 界，必须成立一组数学假设，这些假设在 CD 场景中尤其具争议性。基于该问题，我们提出了一种在 CD 场景中处理这些假设从而确保学习保证的方法论。作为补充，我们依据我们的方法论评估了文献中一组相关且已知的 CD 算法。作为主要贡献，我们期望本工作能在不同领域设计和评估 CD 算法时支持研究者。
引用
@article{arxiv.2006.14079,
title = {Ensuring Learning Guarantees on Concept Drift Detection with Statistical Learning Theory},
author = {Lucas Pagliosa and Rodrigo Mello},
journal= {arXiv preprint arXiv:2006.14079},
year = {2020}
}
备注
10 pages (12 including references), 2 figures