基于新型投注函数的ICM集成概念漂移
机器学习
2024-06-25 v1 机器学习
摘要
本研究在先前工作的基础上，引入了改进后的归纳共轨 martingale（ICM）方法，以解决概念漂移（CD）。具体而言，我们将之前提出的CAUTIOUS投注函数扩展以融合多个密度估计器，以提高检测能力。我们还将该投注函数与两个此前未在ICM框架中使用的基本估计器结合使用：插值直方图和最近邻密度估计器。我们评估了这些扩展，分别使用单个ICM和ICM的集成。对于后者，我们对集成规模对预测准确性和可用预测数量的影响进行了全面实验调查。我们的实验结果在四个基准数据集上表明，所提出的方法在性能上优于先前方法，同时在许多情况下甚至超过了三种当代最先进技术。
关键词
引用
@article{arxiv.2406.15760,
title = {ICM Ensemble with Novel Betting Functions for Concept Drift},
author = {Charalambos Eliades and Harris Papadopoulos},
journal= {arXiv preprint arXiv:2406.15760},
year = {2024}
}