应对虚拟与真实概念漂移：一种自适应高斯混合模型
机器学习
2021-02-12 v1 人工智能
摘要
现实世界应用一直在处理随时间到达且通常呈现其底层联合概率分布变化（即概念漂移）的大量数据。概念漂移可细分为两类：影响无条件概率分布 p(x) 的虚拟漂移，以及影响条件概率分布 p(y|x) 的真实漂移。现有工作聚焦于真实漂移。然而，由于真实类边界保持不变，应对真实漂移的策略可能并非处理虚拟漂移的最佳选择。我们首次深入分析了虚拟与真实漂移对分类器适用性影响的差异。我们提出了一种称为在线高斯混合模型带噪声滤波器处理虚拟与真实概念漂移（OGMMF-VRD）的方法来应对这两种漂移。在 7 个合成数据集和 3 个真实世界数据集上的实验表明，与现有方法相比，OGMMF-VRD 在平均准确率、G-mean 和运行时间方面取得了最佳结果。此外，在存在漂移的情况下，其准确率随时间推移遭受的性能退化更小。
引用
@article{arxiv.2102.05983,
title = {Tackling Virtual and Real Concept Drifts: An Adaptive Gaussian Mixture Model},
author = {Gustavo Oliveira and Leandro Minku and Adriano Oliveira},
journal= {arXiv preprint arXiv:2102.05983},
year = {2021}
}