面向自适应机器学习的多变量因果关系与量化中的自标记方法
机器学习
2024-04-10 v1 人工智能
统计方法学
摘要
自适应机器学习（ML）旨在使 ML 模型能够适应模型部署后存在潜在概念漂移的不断变化的环境。传统上，自适应 ML 需要手动标注新的数据集，以使部署的模型适应改变后的数据分布。最近，一种基于交互因果关系的自标记方法被提出，用于自主关联具有因果关系的数据流以进行领域自适应，与传统的基于特征相似性的半监督学习相比，展现出了有前景的结果。然而，仍存在几个未解答的研究问题，包括自标记与多变量因果关系的兼容性，以及自标记中使用的辅助模型的定量分析。辅助模型，即交互时间模型（ITM）和效应状态检测器（ESD），对自标记的成功至关重要。本文进一步发展了自标记框架及其理论基础以解决这些研究问题。利用四种基本因果关系，提出了一个将自标记应用于多变量因果图的框架，并分析了非理想 ITM 和 ESD 性能的影响。基于多变量因果图进行了模拟实验，验证了所提出的理论。
引用
@article{arxiv.2404.05809,
title = {Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning},
author = {Yutian Ren and Aaron Haohua Yen and G. P. Li},
journal= {arXiv preprint arXiv:2404.05809},
year = {2024}
}