基于生成域对抗网络的高性能漂移抗分类

执行漂移是一种特殊类型的概念漂移，当模型的预测影响模型将来所遇到的实例时发生。在此类设置中，重新训练并总是不可行。本文我们关注于作为创建抗漂移分类器的方法，对漂移进行理解。为实现此目标，我们引入生成域对抗网络（Generative Domain Adversarial Network, GDAN），其结合了域对抗网络和生成对抗网络。使用 GDAN，可创建输入数据的域无关表示，并利用生成网络来抵消执行漂移的效果。我们使用半真实和合成数据生成器，经验评估了 GDAN 提供抗漂移分类的能力。初始结果令人鼓舞，GDAN 在多个时间步长上限制了性能 degradation。此外，GDAN 的生成网络可与其他模型配合使用，以限制其在执行漂移存在下的性能 degradation。最后，我们阐述了模型重新训练与执行漂移不可预测性之间的关系，提供了对在执行环境中使用传统概念漂移缓解策略所面临挑战的更深入见解。