时间序列数据的实时漂移检测
机器学习
2021-10-14 v1
摘要
涉及时间序列数据的实际机器学习应用,例如通过防火墙日志分析主动检测异常行为,关注流式数据的实时分析。因此,我们需要更新 ML 模型,因为此类数据的统计特性可能随时间频繁偏移。文献中探讨的一种替代方案是:一旦观察到模型精度下降,就用更新后的数据重新训练模型。然而,这些方法依赖于近乎实时可用的真实标签,而这很少能满足。此外,在具有季节性数据的应用中,时间概念漂移与季节变化相混淆。在本工作中,我们提出一种称为无监督时间漂移检测器(UTDD)的方法,以灵活考虑季节变化,在无真实标签情况下高效检测时间序列数据中的时间概念漂移,并随后使我们的 ML 模型适应概念漂移以获得更好的泛化能力。
引用
@article{arxiv.2110.06383,
title = {Real-time Drift Detection on Time-series Data},
author = {Nandini Ramanan and Rasool Tahmasbi and Marjorie Sayer and Deokwoo Jung and Shalini Hemachandran and Claudionor Nunes Coelho},
journal= {arXiv preprint arXiv:2110.06383},
year = {2021}
}
备注
5 pages, 5 figures