面向自学习的强化进化学习方法

在统计建模中，最大的威胁是概念漂移，它使模型随时间推移逐渐表现出性能退化。现有最先进的方法可检测概念漂移的影响，然而为克服性能问题通常考虑的一般策略是：由于模型变量模式因市场变化或消费者行为变化等发生显著改变，周期性地重建或重新校准模型。定量研究是数据科学在营销或金融领域最广泛的应用，而最先进的强化学习在自动学习方面的适用性尚属较少探索的范式。强化学习严重依赖于拥有模拟环境，这主要可用于游戏或在线系统以从实时反馈中学习。不过，在在线广告、定价等领域已有一些研究，由于在线学习环境的特性，强化学习的应用范围得到了探索。我们提出的方案是一种基于强化学习的真正自学习算法，能够适应数据变化或概念漂移，并针对数据的新模式自动学习与自我校准，从而解决概念漂移问题。