Advances on Concept Drift Detection in Regression Tasks using Social Networks Theory

要約

【タイトル】社会ネットワーク理論を用いた回帰タスクにおける概念ドリフト検出の進歩

【要約】
– データストリームのマイニングは様々な知識領域に応用されるため、機械学習分野において主要な研究の一つとなっている。
– データストリームの採掘において最大の課題の一つが、現在のコンセプトを破棄し新しいコンセプトに適応する必要が生じる概念ドリフトである。
– アンサンブルベースのドリフト検出アルゴリズムは、分類タスクにおいて成功しているが、通常は固定サイズの学習者アンサンブルを維持するため、処理時間やメモリの無駄遣いになるリスクがある。
– 本論文では、社会ネットワーク理論を応用した回帰のための動的アンサンブルベースの手法であるScale-free Network Regressor (SFNR)を改良し、コンセプトドリフトを検出するためにAdaptive Window (ADWIN)アルゴリズムを使用することを提案する。
– 結果は、実際のデータと合成データの両方で、特にコンセプトドリフトの状況で精度が向上し、他の最新のアルゴリズムと比較して優れた性能を示している。

要約(オリジナル)

Mining data streams is one of the main studies in machine learning area due to its application in many knowledge areas. One of the major challenges on mining data streams is concept drift, which requires the learner to discard the current concept and adapt to a new one. Ensemble-based drift detection algorithms have been used successfully to the classification task but usually maintain a fixed size ensemble of learners running the risk of needlessly spending processing time and memory. In this paper we present improvements to the Scale-free Network Regressor (SFNR), a dynamic ensemble-based method for regression that employs social networks theory. In order to detect concept drifts SFNR uses the Adaptive Window (ADWIN) algorithm. Results show improvements in accuracy, especially in concept drift situations and better performance compared to other state-of-the-art algorithms in both real and synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI