人在回路中的知识漂移处理
机器学习
2021-03-30 v1 人工智能
摘要
我们引入并研究了知识漂移（KD），这是一种发生在层次分类中的复杂漂移形式。在 KD 下，概念的词表、它们各自的分布以及它们之间的 is-a 关系都可能随时间发生变化。主要挑战在于，由于真实概念层次结构未被观测到，很难区分不同形式的 KD。例如，在两个概念之间引入新的 is-a 关系可能会被误认为是对这些概念各自的改变，但二者远非等价。未能识别正确类型的 KD 会损害分类器所使用的概念层次结构，导致系统性的预测错误。我们的核心观察是，在许多人在回路的应用（如智能个人助理）中，用户知道最近是否发生了漂移以及发生了何种漂移。受此启发，我们提出了 TRCKD，一种将自动化漂移检测与自适应同交互式阶段相结合的新方法，在该阶段中用户被询问以消歧不同类型的 KD。此外，TRCKD 实现了一种简单但有效的知识感知自适应策略。我们的仿真表明，通常只需向用户提出少量查询，就足以在合成数据和真实数据上大幅改善预测性能。
引用
@article{arxiv.2103.14874,
title = {Human-in-the-loop Handling of Knowledge Drift},
author = {Andrea Bontempelli and Fausto Giunchiglia and Andrea Passerini and Stefano Teso},
journal= {arXiv preprint arXiv:2103.14874},
year = {2021}
}
备注
8 pages, figures 4, includes supplementary material (3 pages, 4 figures), code: https://gitlab.com/abonte/handling-knowledge-drift