Class Informed Concept Drift Detection in Multi-Class Data Streams

doi:10.1007/s41060-025-00918-5

Class Informed Concept Drift Detection in Multi-Class Data Streams

2025-12-02

0

PRE

AI

G

Gabriel Jonas Aguiar *

C

Cano, Alberto

DOI：10.1007/s41060-025-00918-5

原文链接

原文求助

摘要

En 中文

动态环境由于概念漂移的存在对机器学习模型提出了重大挑战，其中基础数据分布随时间演变。此外，概念漂移可以仅影响全局或局部范围内的部分类别子集。为解决此问题，我们提出了类别感知漂移检测方法（CIDDM），一种用于多类别数据流中概念漂移检测的新型、分类器无关的方法。CIDDM使用多个滑动窗口和统计描述符（如均值、峰度和特征值）来监控类别特定的数据分布，以识别与学习概念之间的偏差。通过严格的广泛实验和与11种最先进方法的比较，所提出的漂移检测器在检测概念漂移方面表现出优越性能，特别是在数据流中存在局部变化的场景中。此外，CIDDM的分类器无关特性确保了其适用于多样化的学习模型。进一步地，我们研究了结合漂移检测器和分类器对预测性能的影响。本研究的结果验证了CIDDM在检测概念漂移方面的有效性，从而增强了机器学习系统对概念漂移的鲁棒性，进而推动了流学习领域的发展，并增强了动态环境中机器学习应用的可靠性。实验、代码和数据可在https://anonymous.4open.science/r/class-informed-drift-detector-B396/ 公开获取。

Keyword:

Concept Drift

Data Streams

Machine Learning

Multi-Class

Class Informed Concept Drift Detection in Multi-Class Data Streams

摘要

期刊

机构

引用论文