关于概念漂移学习中决策边界与损失的变化
机器学习
2022-12-05 v1
摘要
概念漂移这一概念指代生成观测数据的分布随时间变化的现象。若存在漂移，机器学习模型可能变得不准确并需要调整。许多处理漂移的学习技术依赖于交错测试-训练误差(ITTE)作为近似模型泛化误差并触发漂移检测与模型更新的量。本工作中，我们考察该过程在多大程度上具有数学依据。更确切地说，我们将ITTE的变化与真实漂移(即后验改变)的存在以及假设最优性下训练结果的变化联系起来。我们通过多种学习算法、模型和数据集的实证证据支撑我们的理论发现。
引用
@article{arxiv.2212.01223,
title = {On the Change of Decision Boundaries and Loss in Learning with Concept Drift},
author = {Fabian Hinder and Valerie Vaquet and Johannes Brinkrolf and Barbara Hammer},
journal= {arXiv preprint arXiv:2212.01223},
year = {2022}
}