التعلم من بيانات تتغير مع الوقت باستخدام النوافذ التكيفية

نقدم نهجًا جديدًا للتعامل مع تغيير التوزيع والانجراف المفهومي عند التعلم من تسلسلات البيانات التي قد تتغير مع الوقت. نستخدم نوافذ منزلقة حجمها، بدلاً من أن تكون ثابتة مسبقًا، يُعاد حسابه عبر الإنترنت وفقًا لمعدل التغيير الملحوظ من البيانات في النافذة نفسها. وهذا يحرر المستخدم أو المبرمج من وجوب تخمين مقياس زمني للتغيير. على العكس من العديد من الأعمال ذات الصلة، نقدم ضمانات صارمة للأداء، كحدود لمعدلات الإيجابيات الكاذبة والسلبيات الكاذبة. باستخدام أفكار من خوارزميات تدفق البيانات، نطور نسخة فعالة من الناحية الزمنية والذاكرة من هذه الخوارزمية، تُسمى ADWIN2. نوضح كيفية دمج ADWIN2 مع المتنبئ نايف بايز (NB) بطريقتين: الأولى، باستخدامه لمراقبة معدل خطأ النموذج الحالي وإعلان متى يصبح المراجعة ضرورية، والثانية، وضعه داخل المتنبئ NB للحفاظ على تقديرات حديثة للاحتمالات الشرطية في البيانات. نجرب نهجنا باستخدام تدفقات بيانات صناعية وحقيقية ونقارنها بحلول النوافذ ذات الحجم الثابت والمتغير مع نتائج جيدة.