撬动学习者的垫子：基于遗传算法的概念漂移下学习集成模型
机器学习
2024-12-13 v1
摘要
数据驱动模型，尤其是机器学习 (ML) 模型，近年来因在科学和工程领域的广泛应用而日益流行。在现实和动态环境中使用 ML 模型时，用户常需应对概念漂移 (CD) 挑战。本研究探索了将遗传算法 (GA) 应用于解决此类环境下 CD 挑战的方法。我们提出了一种新型两层集成 ML 模型，将全局 ML 模型与 CD 检测器结合，作为一组具有自身 CD 检测器负责重新训练其 ML 模型的 ML 流水线模型的聚合器。此外，我们展示了可通过利用开箱即用的自动 ML 方法进一步改进所提出模型。通过大量合成数据集分析，我们表明所提出模型优于单一带有 CD 算法的 ML 流水线，尤其在 CD 特性未知的场景下表现更佳。总体而言，本研究凸显了通过类似遗传算法这类启发式和自适应优化过程获取的集成 ML 和 CD 模型在处理复杂 CD 事件方面的潜力。
引用
@article{arxiv.2412.09035,
title = {Pulling the Carpet Below the Learner's Feet: Genetic Algorithm To Learn Ensemble Machine Learning Model During Concept Drift},
author = {Teddy Lazebnik},
journal= {arXiv preprint arXiv:2412.09035},
year = {2024}
}