Обнаружение дрейфа концепций при анализе потоков данных: обзор литературы

В последние годы доступность потоковой информации временных рядов значительно возросла. Обучение на данных, поступающих в реальном времени, в течение последнего десятилетия привлекает все больше внимания. В процессе онлайн-обучения учитываются изменения распределения данных при извлечении значимой информации из потоков данных. Скрытые изменения в контексте данных, неизвестные алгоритмам обучения, называются дрейфом концепций. Классификаторы классифицируют поступающие экземпляры, используя ранее наблюдавшиеся обучающие экземпляры из потока данных. Дрейф концепций приводит к снижению точности классификатора. От традиционных классификаторов нельзя ожидать выявления закономерностей в нестационарном распределении данных. В приложениях реального времени классификатор должен обнаруживать дрейф концепций и адаптироваться к нему с течением времени. В сценариях реального времени необходимо работать с полуобучаемыми и неуправляемыми данными, которые содержат мало размеченных экземпляров или не содержат их вовсе. Цель данной работы — представить обзор с широкой классификацией методов обнаружения дрейфа концепций, охватывающей их ключевые характеристики, ограничения и преимущества. Кроме того, в статье рассматриваются тенденции и проблемы исследований, а также перспективные направления дальнейшей работы. В обзор также включены адаптивные механизмы.