Feb, 2024

数据变化上机器学习进展的全面评述：跨领域视角

PDF
TL;DR最近人工智能（AI）技术在各种学术领域和行业展现出了显著的发展。然而，在现实世界中，动态数据给 AI 模型的部署带来了主要的挑战。我们通过设置数据变化来识别两个主要的相关研究领域，即领域转移和概念漂移。虽然这两个热门研究领域旨在解决分布转移和非平稳数据流问题，但其基本属性仍然相似，这也鼓励了相似的技术方法。在这篇综述中，我们将领域转移和概念漂移重新组合为一个研究问题，即数据变化问题，并对这两个研究领域中的最新方法进行了系统概述。我们提出了一个三阶段问题分类方案，以将这两个技术领域中的关键思想联系起来。因此，我们为研究人员提供了一个新的范围，探索当代技术策略，了解工业应用，并确定解决数据变化挑战的未来方向。
artificial intelligencedomain shiftconcept driftdata changestate-of-the-art methods
发现论文，激发创造
  • 概念漂移下的学习：一份综述

    本文针对数据流中的概念漂移进行了相关研究，分析法检测，理解和适应等漂移技术的发展趋势，并建立了一个包含三个主要组件的漂移学习框架：概念漂移检测，概念漂移理解和概念漂移适应。同时，本文还列举和讨论了 10 个流行的合成数据集和 14 个公共基准数据集，以评估处理概念漂移的学习算法的性能，涵盖和讨论了概念漂移相关的研究方向。通过提供最新的知识，本综述将直接支持研究人员对概念漂移学习领域的研究发展的理解。

    Apr, 2020

  • 应对分布变化的稳健计算机视觉技术综述

    人工智能应用越来越受到公众的关注，然而研究者在计算机视觉模型的理论假设与实际部署时面临一种被称为分布偏移的困境。本文讨论了识别这一突出差距的重要原因，探索了分布偏移的概念及其关键意义，并对数据中心领域用于解决这些问题的技术进行了深入概述。

    Dec, 2023

  • 描述概念漂移

    本研究提出了一个全面的概念漂移类型的分类法并支持定量分析，从而为解决这一问题提供了基础。

    Nov, 2015

  • 基于类别相关领域漂移的鲁棒分类

    这篇论文探讨了一种特殊的数据集漂移，称为类依赖性领域漂移，提出了使用神经网络解决有信息论约束的优化问题的方法，并在玩具数据集上进行实验，证明了该方法能够学习到健壮分类器并能够推广到未知领域。

    Jul, 2020

  • 一种信息理论方法应对分布转换

    从信息理论的角度，本文探讨了机器学习模型在实际应用中遭遇的数据偏移问题，比较了近期领域泛化与公正分类研究中一些最有前途的目标。根据我们的理论分析和实证评估，我们得出结论，模型选择过程需要根据观察到的数据、纠正因素和数据生成过程的结构进行认真考虑的指导。

    Jun, 2021

  • 应对数据演化的自动化机器学习的适应策略

    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。

    Jun, 2020

  • 以数据为中心的人工智能：观点与挑战

    本文讨论了数据在构建 AI 系统中的作用，强调了数据质量和可靠性的重要性。作者提出三个任务：培训数据开发、评估数据开发和数据维护，并列举了一些挑战和展望。

    Jan, 2023

  • 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

  • 机器学习模型在实际中的稳健性、评估与适应性

    通过培训算法来提高对于机器学习领域的可靠性，从而应对领域的变化，提高算法的性能，预测其表现并轻量级适应应用领域。

    Mar, 2023

  • 图学习在分布偏移下的研究：领域自适应、离域和连续学习的综合调查

    综述研究了图学习中的分布转变问题及解决方法，将现有的图学习方法分为图领域适应学习、图越域学习和图持续学习三种关键场景，详细讨论了这些场景下的现有进展，并对该领域进行了潜在应用和未来研究方向的分析。

    Feb, 2024