面向无标签不一致驱动的流式树集成漂移检测的陷阱
机器学习
2026-05-14 v1
摘要
在无标签数据上检测概念漂移仍具有挑战性，尤其当模型需避免因良性漂移引发的误报时。虽然基于不一致性的不确定性在神经网络中显示出前景，但其在增量决策树（IDT）集合中的应用仍受到忽视。我们通过在集合成员中进行标签翻转以构建批次特定的不一致度量，并评估其在表格数据流中的漂移检测效果。我们的实验表明，尽管该方法在多层感知机（MLP）集合中表现良好，但在IDT上持续低于基于损失的检测器。我们将此行为归因于IDT的内在刚性：学习主要通过结构扩张进行，仅限于参数适应，限制了模型的塑性并阻止了不一致性可靠反映学习潜力。最近的工作通过将IDT内部分解为非重叠规则来重构IDT，为提高适应性提供了有前景的方向。
引用
@article{arxiv.2605.12803,
title = {Pitfalls of Unlabeled Disagreement-Based Drift Detection in Streaming Tree Ensembles},
author = {Lara Sá Neves and Afonso Lourenço and Lizy K. John and Goreti Marreiros},
journal= {arXiv preprint arXiv:2605.12803},
year = {2026}
}
备注
Published as a conference paper at CAO Workshop at ICLR 2026