.png){kind=icon}
返回
ADWIN-U: adaptive windowing for unsupervised drift detection on data streams
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02523-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据流因电子设备和传感器在智能城市及物联网应用中的广泛使用而产生的大量数据，其重要性日益凸显。然而，在非平稳环境中挖掘连续数据并处理概念漂移，带来了显著挑战，例如需要根据最新模式更新模型。检测概念漂移的常见方法基于模型性能监控，其中性能下降表明漂移发生并需要模型更新。自适应窗口（ADWIN）是遵循性能监控方法的最具代表性方法。然而，ADWIN及类似方法通常依赖标注数据，而流式场景中这类数据可能难以获取。我们提出ADWIN-U（用于无监督漂移检测的自适应窗口），一种基于当前先进ADWIN的无监督概念漂移检测器。我们的方法独立于标注数据进行漂移监控，适用于完整标注数据昂贵或不切实际的真实流式问题。我们的实验评估表明，ADWIN-U在各个领域中优于其监督版本。此外，我们解决了现有漂移检测评估指标的限制，这些指标倾向于青睐需要大量标注数据的方法。我们提出了一种新型评估指标——按请求标注数据量计算的平衡准确率（BAR）。BAR考虑了准确率与模型更新所需标注数据比例之间的权衡，倾向于准确度高且误报率低的检测器，同时最小化对标注数据的依赖。
Keyword:
Data streams
Concept drift
Unsupervised drift detector
Evaluation of drift detector
期刊
IF:
3.1
论文数:
579
被引数:
5.2K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容