通过学习参数分布检测数据流中的概念漂移
机器学习
2022-03-31 v1 机器学习
摘要
流环境中的数据分布通常非平稳。为了始终保持较高的预测质量，在线学习模型需要适应被称为概念漂移的分布变化。由于我们无法获知流数据的真实分布，及时且稳健地识别概念漂移可能十分困难。本文提出一种名为ERICS的用于检测真实概念漂移的新框架。通过将预测模型的参数视为随机变量，我们表明概念漂移对应于最优参数分布的变化。为此，我们采用了信息论中的常用度量。所提框架完全与模型无关。通过选择合适的基模型，ERICS还能够检测输入层面的概念漂移，这是相对于现有方法的显著优势。在多个合成和真实世界数据集上的评估表明，该框架比多种现有工作更有效、更精确地识别概念漂移。
引用
@article{arxiv.2010.09388,
title = {Learning Parameter Distributions to Detect Concept Drift in Data Streams},
author = {Johannes Haug and Gjergji Kasneci},
journal= {arXiv preprint arXiv:2010.09388},
year = {2022}
}
备注
To be published in the proceedings of the 25th International Conference on Pattern Recognition (ICPR 2020)