Обзор адаптации к дрейфу концепций
A survey on concept drift adaptation
2014-03-01
SCID: 54.1/pn675975
Discuss with AI
оценка адаптивных алгоритмовадаптивное обучениеадаптация к дрейфу концептовобнаружение дрейфа концептовонлайн-обучение с учителем
Figures from the paper
Abstract (AI)
Дрейф концепций прежде всего относится к сценарию онлайн-обучения с учителем, в котором взаимосвязь между входными данными и целевой переменной изменяется со временем. Предполагая наличие общих знаний об обучении с учителем, в статье характеризуются процессы адаптивного обучения; систематизируются существующие стратегии обработки дрейфа концепций; рассматриваются наиболее репрезентативные, отличающиеся и популярные методы и алгоритмы; обсуждаются методологии оценки адаптивных алгоритмов; и представляется ряд иллюстративных приложений. В обзоре различные аспекты дрейфа концепций рассматриваются комплексно, что позволяет отразить фрагментарное современное состояние исследований. Таким образом, его цель — дать исследователям, отраслевым аналитикам и практикам всестороннее введение в адаптацию к дрейфу концепций.
Key Findings
1
Концептуальный дрейф определяется как сценарий онлайн-обучения с учителем, в котором со временем изменяется связь между входными данными и целевыми переменными.
2
Рассматриваются наиболее репрезентативные, отличающиеся друг от друга и широко используемые методы и алгоритмы адаптации к концептуальному дрейфу.
3
Обсуждаются методологии оценки адаптивных алгоритмов и приводятся иллюстративные приложения.
4
В обзоре характеризуются процессы адаптивного обучения и классифицируются существующие стратегии обработки концептуального дрейфа.
5
Обзор интегрирует разрозненные исследования по адаптации к концептуальному дрейфу в комплексное введение для исследователей и практиков.
Research Object
Дрифт концепции (concept drift) в онлайн-обучении с учителем
Research Subject
стратегии адаптации, процессы обучения, алгоритмы и методы оценки для обработки дрейфа концепции
Publication Details
Publication Date
2014-03-01
Journal
Publisher
ISSN
Cited by
3740
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью10
Машинное обучение и глубокое обучение2021
Обзор выявления выбросов/аномалий во временных рядах2021
Обнаружение аномалий в потоковых данных в реальном времени без учителя2017
Финансовое мошенничество: обзор методов обнаружения аномалий и последних достижений2021
Обнаружение дрейфа концепций при анализе потоков данных: обзор литературы2021
Интеллектуальный анализ потоков данных: методы и проблемы обработки дрейфа концепций2019
FraudGNN-RL: графовая нейронная сеть с обучением с подкреплением для адаптивного выявления финансового мошенничества2025
Больше никаких размеченных примеров? Неразмеченный парсер логов на основе больших языковых моделей2025
Анализ влияния изменений в зашифрованном трафике мобильных приложений на мультимодальное обучение по малому числу примеров2025
Надежные агентные цепочки поставок: структура управления принятием решений на основе ИИ, оркестрируемым цифровыми двойниками, в условиях ограничений соответствия требованиям, аудируемости и суверенитета данных2026