智能AI
morning
使用时间中和决策树的鲁棒流分类
摘要
arXiv:2611.06991v1 Announce Type: new Abstract: Data Streams are characterised as a potentially infinite source of data subject to non-stationarity. This non-stationarity, also called Concept Drift, o...
the
are
that
TNT
data
and
Drift
stream
Learning
instances
2026-11-06
1 阅读
约1分钟阅读
Brandon Gower-Winter, Georg Krempl
字号:
arXiv:2611.06991v1 公告类型：新 摘要：数据流的特点是潜在的无限数据源，具有非平稳性。这种非平稳性也称为概念漂移，通常会导致部署的预测模型必须不断地重新训练，因为流的底层数据生成过程会随着时间的推移而变化。漂移检测器是一类用于识别这些变化、触发这些再训练程序的方法。从历史上看，流学习的运行假设是实例只能看到一次，并且不能存储以供以后使用。当代的工作放松了这一假设，但漂移检测和简单的重置程序仍然普遍存在。相关工作表明，当可以存储实例时，传统的批量学习算法通常优于流学习算法，我们在此基础上引入了时间中和树 (TNT)，这是一种决策树架构，可在概念漂移的设置中实现稳健的流分类。在训练期间，TNT 将过滤掉（“中和”）与当前流上下文不再相关的旧训练样本。如果这些实例再次变得相关，TNT 将重新包含它们。我们在 USP DS 存储库的 24 个真实和半真实分类数据流上评估 TNT 和相关算法。结果有力地证明，TNT 在具有不同概念漂移类型的各种数据流上实现了一流的性能。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱