学习无偏聚类描述符：用于可解释不平衡概念漂移检测

无标记的流动数据通常用于描述动态系统，其中概念漂移检测是理解系统演化的关键前置条件。然而，漂移概念在实际情况下通常不平衡，这给漂移检测带来了很大的挑战。也就是说，大型聚类的主导统计信息会轻易掩盖小聚类分布 (也称为小概念) 的漂移，这已知为“掩盖效应”。鉴于大多数现有方法仅在平衡概念的假设下检测整体漂移存在，两个关键问题随之而来：1) 小概念在哪里，2)如何检测其漂移。为了解决不平衡数据的概念漂移检测问题，我们提出了不平衡聚类描述符漂移检测 (ICD3) 方法，该方法对不平衡概念无偏。该方法首先通过采用新设计的多分布粒度搜索来检测不平衡概念，以确保小和大概念的分布有效捕获。随后，为每个识别出的概念训练一个 One-Cluster Classifier (OCC)，以仔细监控其在后续数据块中的潜在漂移。由于对每个概念独立执行检测，因此大型聚类的支配被规避。ICD3 通过特定地定位漂移概念 demonstrate 高度可解释性，能够抵御概念不平衡比例的变化。针对各种基准数据集进行的全面实验和多方面消融研究表明，ICD3 在与最先进方法相比方面具有优势。