面向多标签数据流的隐式概念漂移检测
机器学习
2022-02-02 v1 信息检索
摘要
随着对处理快速变化数据的算法需求增长，许多现实应用采用多标签数据流。数据分布的变化（亦称概念漂移）导致现有分类模型迅速失效。为辅助分类器，我们提出一种称为标签依赖漂移检测器（Label Dependency Drift Detector, LD3）的新算法，这是一种利用数据内部标签依赖关系的隐式（无监督）概念漂移检测器，面向多标签数据流。本研究通过标签影响排序方法挖掘标签间的动态时间依赖关系，该方法借助数据融合算法并利用所得排序检测概念漂移。LD3是多标签分类问题领域中首个无监督概念漂移检测算法。在本研究中，我们使用12个数据集和一个基线分类器，将LD3与14种我们适配到该问题领域的流行有监督概念漂移检测算法进行广泛对比评估。结果表明，在真实与合成数据流上，LD3的预测性能比可比检测器高出19.8%至68.6%。
引用
@article{arxiv.2202.00070,
title = {Implicit Concept Drift Detection for Multi-label Data Streams},
author = {Ege Berkay Gulcan and Fazli Can},
journal= {arXiv preprint arXiv:2202.00070},
year = {2022}
}
备注
18 pages, 7 figures, submitted to Artificial Intelligence Review