concept drift
PulseAugur coverage of concept drift — every cluster mentioning concept drift across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
时间中性树在概念漂移下提供鲁棒的流分类
研究人员推出了一种新颖的决策树架构——时间中性树(TNT),旨在提高在概念漂移存在下的流分类能力。TNT通过过滤掉不再相关的过时训练样本来应对数据流的非平稳性挑战,同时如果这些样本再次变得相关,也会重新包含它们。在USP DS存储库的24个数据流上的评估表明,在各种概念漂移场景下,TNT的性能优于相关算法。
-
新的PAI-KNN分类器可适应概念漂移下的不平衡数据流
研究人员推出了一种新颖的k近邻分类器PAI-KNN,该分类器旨在处理经历概念漂移的不平衡数据流。与修改内存或数据的现有方法不同,PAI-KNN通过利用近期观测中估计的类别先验,在推理时调整其决策规则来进行适应。这种方法在各种合成数据流上进行了测试,在与最先进技术相比时表现出有竞争力,尤其是在动态类别不平衡和概念漂移的情况下表现出色。
-
新的MICE方法解决了表格基础模型中的概念漂移问题
研究人员开发了MICE(上下文专家混合模型),一种新颖的、无需训练的表格基础模型(TFMs)方法,用于处理数据流。MICE通过分割数据并决定是恢复存储的上下文还是从新标签中重学,来解决循环概念漂移的挑战。该系统使用一个快速层来加权存储的上下文,以及一个慢速层来组合预测,旨在与重置上下文等更简单的方法相比,提高准确性并减少遗憾。
-
由于概念漂移导致的机器学习模型中的特征选择挑战
文章讨论了机器学习中特征选择的挑战,强调由于概念漂移,所选特征可能不会随着时间的推移而保持相关性。它强调了强大的数据管道和持续的模型监控的重要性,以检测和解决概念漂移等问题,这需要重新训练模型以保持其泛化能力。文章提出,特征存储可以帮助管理此过程,但数据的动态性质需要数据科学家和机器学习工程师持续关注。
-
新研究提出世界模型的分层保留方法
一篇新的研究论文提出了一种名为“差异保留”的方法,用于机器学习中的世界模型。与将遗忘视为失败的传统持续学习不同,这种方法承认世界模型必须适应不断变化的环境。该论文主张根据不变性时间尺度对知识保留进行分层,区分永不应修改的物理学等基本原理和应更新的实例级事实。该方法旨在通过评估世界模型修正过时信息同时保留核心不变性的能力来更好地评估它们,解决了当前指标偏向冻结模型的局限性。
-
自动化机器学习再训练流水线设计指南
本文提供了构建自动化机器学习(ML)再训练流水线的技术指南。它详细介绍了如何应对延迟标签、数据验证、概念漂移和模型性能下降等挑战。该详解涵盖了持续集成/持续部署(CI/CD)、版本控制和编排工具等关键组件,以实现有效的流水线管理。
-
MLOps团队必须监控模型行为,而不仅仅是基础设施
MLOps团队经常忽略监控其机器学习模型的实际行为,而专注于基础设施。需要跟踪的关键指标包括准确率、精确率、召回率和F1分数,以及数据质量和验证。解决概念漂移并确保适当的模型性能评估对于有效的ML模型监控至关重要。
-
新的PECS框架改进了心血管AI的概念漂移检测
研究人员开发了一个名为PECS的新框架,用于检测心血管AI模型中多模态生理信号的概念漂移。该框架将模型内部的变化与信号中的可测量变化进行比较,利用心电图(ECG)、光电容积脉搏波图(PPG)和呼吸数据。PECS在PTB-XL、BIDMC和MIMIC数据集上进行了测试,与现有的漂移检测方法相比,PECS表现出优越的性能,实现了高漂移分类准确率。
-
在 OpenShift AI 上构建的用于模型漂移检测的 MLOps 管道
本文详细介绍了使用 OpenShift AI 构建漂移检测管道的过程。OpenShift AI 是一个专为 MLOps 设计的平台。该过程涉及利用 Kubernetes 和 KServe 部署模型,然后自动化数据漂移(特别是概念漂移)的检测,以确保模型随时间的性能。
-
新框架解决了 RAG 系统中可靠性逐渐下降的问题
生产中的检索增强生成 (RAG) 系统通常会随着时间的推移而可靠性下降,这是由于渐进式变化而非单一的灾难性事件。这种侵蚀可能源于文档的演变、检索行为的变化、提示的修订以及过时的评估数据集。一个提出的可靠性框架侧重于故障动态、干预的控制面和可检测性,为 AI 系统的传统基于组件的故障分析提供了新的视角。
-
批处理层对实时欺诈检测的完整性至关重要
本文讨论了批处理层在维护实时欺诈检测系统完整性方面的重要作用。文章强调,虽然实时评分很重要,但强大的批处理流程对于重新审计和重新训练机器学习模型至关重要。这种方法有助于解决概念漂移等问题,并确保数据质量,最终实现更准确可靠的欺诈预防。
-
新研究应对影响机器学习检测的不断变化的钓鱼策略
一篇新研究论文探讨了概念漂移如何影响用于检测网络钓鱼邮件的机器学习模型。该研究旨在评估随着网络钓鱼策略的演变,这些系统的性能下降情况,并提出缓解策略。该论文强调了网络钓鱼攻击日益增长的复杂性以及电子邮件垃圾邮件过滤器在保护用户方面发挥的关键作用。
-
数据漂移的静默风险是最大的ML生产风险
机器学习中最关键的生产故障通常不为人知,因为它们不会触发错误警报。这些静默的数据漂移会在被检测到之前影响用户。本文讨论了如何在造成重大问题之前识别这些细微问题。
-
新AI方法应对不断演变的安卓恶意软件检测
研究人员开发了新的方法来应对安卓恶意软件检测系统中的概念漂移问题,该问题是指模型性能会因恶意软件特征的演变而随时间下降。一种方法,“使用自监督和强化学习的概念漂移适应”,利用自监督学习来获得稳定的表示,并利用强化学习来选择具有成本效益的维护操作。另一种方法,“SEED:用于在预算内应对概念漂移的半监督持续恶意软件检测”,结合了半监督持续学习和主动学习,以在有限的标记数据下提高检测能力。第三项研究,“时间概念漂移下的对抗性漏洞”,纵向评…
-
MLOps 扩展 DevOps 以管理 AI 生产中的数据、模型和漂移
MLOps 扩展了传统的 DevOps 实践,以管理机器学习模型的复杂性,这些模型会因数据漂移而随时间退化。与主要对代码进行版本控制的 DevOps 不同,MLOps 必须同时管理代码、数据集和模型工件。成功的 MLOps 实施涉及三层模型:用于代码推广的 DevOps 工具、用于训练和部署的 ML 编排器以及用于关闭反馈循环以进行持续再训练的监控层。