不同度量选择对概念漂移检测的适用性
机器学习
2022-02-22 v1
摘要
概念漂移的概念指的是潜在观测数据的分布随时间变化的现象；因此机器学习模型可能变得不准确并需要调整。许多无监督漂移检测方法依赖于度量两个时间窗口样本分布之间的差异。这可以直接进行，或在某种预处理（特征提取、嵌入潜空间等）之后，或针对推断特征（均值、方差、条件概率等）进行。大多数漂移检测方法可依其使用的度量、该度量的估计方式以及决策阈值的确定方式加以区分。本文中，我们在不同度量的背景下分析漂移诱发信号的结构性质。我们从理论和实证上比较不同类型的估计器与度量，并研究单一度量组分的相关性。此外，我们提出新的选择并在若干实验中证明其适用性。
引用
@article{arxiv.2202.09486,
title = {Suitability of Different Metric Choices for Concept Drift Detection},
author = {Fabian Hinder and Valerie Vaquet and Barbara Hammer},
journal= {arXiv preprint arXiv:2202.09486},
year = {2022}
}