基于核密度漂移检测与组合合并高斯混合模型的声学场景分类器概念漂移自适应评估
声音
2021-05-31 v1 机器学习
音频与语音处理
摘要
基于实验结果，所有概念漂移类型都有其各自的超参数配置。简单概念漂移与渐进概念漂移具有相似的模式，其所需的{\alpha}值小于重现概念漂移，因为在这类漂移中，新概念持续出现，因此需要高频次的模型自适应。然而，在重现概念中，新概念可能在未来重复出现，因此较低频次的自适应更好。此外，高频次模型自适应可能导致过拟合问题。实施CMGMM分量剪枝机制有助于控制活跃分量的数量并提升模型性能。
引用
@article{arxiv.2105.13220,
title = {Evaluation of concept drift adaptation for acoustic scene classifier based on Kernel Density Drift Detection and Combine Merge Gaussian Mixture Model},
author = {Ibnu Daqiqil Id and Masanobu Abe and Sunao Hara},
journal= {arXiv preprint arXiv:2105.13220},
year = {2021}
}