Model Based Explanations of Concept Drift

要約

概念ドリフトの概念は、観測データを生成する分布が時間とともに変化する現象を指します。
ドリフトが存在する場合、機械学習モデルが不正確になり、調整が必要になる可能性があります。
概念のドリフトを検出したり、観測されたドリフトが存在する場合にモデルを調整したりする方法は存在しますが、ドリフトを説明する問題、つまり潜在的に複雑で高次元の分布の変化を人間が理解できる方法で説明する問題は、ほとんど考慮されていません。
遠い。
この問題は、ドリフトがどのように、どこで現れるかの最も顕著な特徴の検査を可能にするため、重要です。
したがって、それは変化に対する人間の理解を可能にし、生涯学習モデルの受け入れを増加させます。
本稿では、さまざまな説明手法に基づいて、空間的特徴の特徴的な変化の観点から概念のドリフトを特徴付ける新しい技術を提示します。
そのために、概念ドリフトの説明を、ドリフトに関する関連情報を抽出する適切な方法でトレーニングされたモデルの説明に還元する方法論を提案します。
このように、多種多様な説明スキームが利用可能です。
このように、目前のドリフト説明の問題に対して適切な方法を選択することができる。
このアプローチの可能性を概説し、いくつかの例でその有用性を示します。

要約(オリジナル)

The notion of concept drift refers to the phenomenon that the distribution generating the observed data changes over time. If drift is present, machine learning models can become inaccurate and need adjustment. While there do exist methods to detect concept drift or to adjust models in the presence of observed drift, the question of explaining drift, i.e., describing the potentially complex and high dimensional change of distribution in a human-understandable fashion, has hardly been considered so far. This problem is of importance since it enables an inspection of the most prominent characteristics of how and where drift manifests itself. Hence, it enables human understanding of the change and it increases acceptance of life-long learning models. In this paper, we present a novel technology characterizing concept drift in terms of the characteristic change of spatial features based on various explanation techniques. To do so, we propose a methodology to reduce the explanation of concept drift to an explanation of models that are trained in a suitable way extracting relevant information regarding the drift. This way a large variety of explanation schemes is available. Thus, a suitable method can be selected for the problem of drift explanation at hand. We outline the potential of this approach and demonstrate its usefulness in several examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google