基于持久熵与拓扑保持的无监督景观变化评估

在持续学习（Continual Learning, CL）语境下，概念漂移通常指数据分布变化的分析。输入数据中的漂移会对学习预测器及系统稳定性产生负面影响。大多数概念漂移方法强调对随时间变化的非平稳数据中统计性变化的分析。在此背景下，我们从另一角度考虑，即概念漂移还整合了数据流中拓扑特征显著变化。本文引入一种新框架，用于监控多维数据流中的变化。我们探讨数据拓扑结构的变化，为标准概念漂移提供另一种视角。我们开发的方法基于持久熵和持续学习情境下的拓扑保持投影。该框架可在无监督和监督环境中运行。为展示所提框架的实用性，我们使用由MNIST样本生成的数据流对模型进行了三个情景下的分析。获得的结果表明，应用拓扑数据分析进行漂移检测具有潜力，并鼓励进一步的研究。