Jun, 2020

应对数据演化的自动化机器学习的适应策略

PDF
TL;DR本研究的主要目标是了解数据流挑战（例如概念漂移）对自动化机器学习（AutoML）方法的性能产生的影响，并评估 6 种概念漂移适应策略在不同 AutoML 方法上的有效性。该研究在现实世界和合成数据流上进行了实证评估，提出方法来开发更复杂和更健壮的 AutoML 技术，包括贝叶斯优化、遗传编程和随机搜索自动堆叠等方法。
automated machine learningconcept driftadaptation strategiesbayesian optimizationgenetic programming
发现论文，激发创造
  • 在数据漂移存在的情况下走向自动机器学习：首次结果

    本研究致力于为 AutoML 场景中处理不断变化的数据分布、生命周期学习和概念漂移检测提供一种可行的解决方案，通过扩展 Auto-Sklearn 的机制和技术，并通过基准数据的实验结果证明了所提出的方法的有效性。

    Jul, 2019

  • 在线自动机器学习：一种适用于在线学习的自适应自动机器学习框架

    本研究旨在针对数据漂移自动设计在线学习的管道，将在线学习器的固有适应能力与自动化管道的快速优化能力结合起来，我们基于异步遗传编程和异步连续缩减思路优化管道，实验证明了 OAML 系统在数据漂移情况下相比流行的在线学习算法具有更好的性能和适应能力，连续管道重新设计在处理数据漂移问题时效果显著。

    Jan, 2022

  • 数据流的自动机器学习技术

    本文总结了现有开源的 AutoML 工具的最新进展，并将它们应用于数据流挖掘的领域。通过比较，结果表明现成的 AutoML 工具可以提供令人满意的结果，但在出现概念飘移时，必须应用检测或适应技术以维持预测准确性。

    Jun, 2021

  • 文本流挖掘中的概念漂移适应性：综述

    这篇论文对文本流场景中的概念漂移适应进行了系统的文献综述，包括文本漂移类别、文本漂移检测类型、模型更新机制、流式挖掘任务、文本表示类型以及文本表示更新机制，并讨论了漂移可视化和模拟，列举了所选论文中使用的真实世界数据集。

    Dec, 2023

  • 自适应贝叶斯线性回归在自动化机器学习中的应用

    本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

    Apr, 2019

  • 生成文本流中的漂移方法

    本文提供了四种文本漂移生成方法，以便生成带有标记漂移的数据集，并使用增量分类器测试它们恢复漂移的能力。结果表明，所有方法在漂移后性能都有所下降，增量支持向量机在准确性和宏 F1 得分方面运行速度最快，恢复了之前的性能水平。

    Mar, 2024

  • 自动机器学习：AutoML 方法和工具的评估和比较

    本文介绍了自动化机器学习技术（AutoML）的研究现状，重点评估了多种 AutoML 工具在不同数据集、不同数据段上的表现和优缺点。

    Aug, 2019

  • 局限严重应用中的自动机器学习

    本文提出了一种名为 Caml 的元学习方法，可以自动适应其自身 AutoML 参数，以优化特定任务的高性能管道，并可以考虑用户定义的应用约束条件，以获得满足约束条件的高预测性能的管道。

    Jun, 2023

  • 针对物联网数据流的轻量级概念漂移检测和适应框架

    提出了自适应物联网数据分析框架，在优化的 LightGBM 和概念漂移适应的基础上实现异常检测。通过实验验证，该框架具有高准确性和效率，并且不需要人类干预即可进行连续学习和漂移自适应。

    Apr, 2021

  • 使用终身自适应处理学习自适应系统中适应空间漂移问题

    提出了一种基于机器学习的自适应系统，称之为终身自适应，它可以跟踪系统和环境情况，识别新任务并相应地更新自适应系统的学习模型，用于解决自适应空间漂移等问题。

    Nov, 2022