基于密度估计的在线半监督概念漂移检测
机器学习
2019-11-12 v2 机器学习
摘要
概念漂移被正式定义为一组输入变量 X 与目标变量 y 的联合分布的变化。被广泛研究的两种漂移类型是真实漂移和虚拟漂移，前者是后验概率 p(y|X) 的变化，而后者是 X 分布的变化且不影响后验概率。许多概念漂移检测方法要么假设数据标签 y 完全可用，要么仅处理虚拟漂移。在流环境中，数据标签 y 完全可用的假设受到质疑。另一方面，处理虚拟漂移的方法未能解决真实漂移。本文并非改进最先进的方法，而是提出一个半监督框架来应对上述挑战。所提框架的目标是从标签 y 有限的流环境中学习并同时检测真实漂移。本文提出一种利用部分标注流环境中后验概率密度的新颖概念漂移检测方法。在合成和真实世界数据集上的实验结果表明，我们提出的半监督框架能够在此类环境中检测概念漂移，同时取得与最先进方法相当的预测性能。
引用
@article{arxiv.1909.11251,
title = {Online Semi-Supervised Concept Drift Detection with Density Estimation},
author = {Chang How Tan and Vincent CS Lee and Mahsa Salehi},
journal= {arXiv preprint arXiv:1909.11251},
year = {2019}
}