概念漂移下具有多维适应与性能保证的极小极大分类
机器学习
2022-06-01 v1 机器学习
摘要
在监督分类的实际场景中，样本-标签对的统计特性常随时间变化。传统学习技术通过精心选择的学习率、遗忘因子或窗口大小，以标量变化率来适应此类概念漂移。然而，常见场景中的时间变化是多维的，即不同的统计特性往往以不同方式变化。本文提出自适应极小极大风险分类器（AMRCs），其通过多元高阶跟踪时变底层分布来刻画多维时间变化。此外，与传统技术不同，AMRCs能够提供可计算的紧性能保证。在多个基准数据集上的实验显示了AMRCs相较最先进方法的分类提升，以及所呈性能保证的可靠性。
引用
@article{arxiv.2205.15942,
title = {Minimax Classification under Concept Drift with Multidimensional Adaptation and Performance Guarantees},
author = {Verónica Álvarez and Santiago Mazuelas and Jose A. Lozano},
journal= {arXiv preprint arXiv:2205.15942},
year = {2022}
}