Détection de la dérive conceptuelle par ensemble dans le mining de flux de données : une revue

À l'ère axée sur les données, l'apprentissage automatique joue un rôle crucial dans l'analyse et le traitement du big data. Un des défis fondamentaux dans ce domaine est la gestion de la dérive conceptuelle dans les flux de données, où la distribution changeante des données réduit la précision des modèles d'apprentissage et les rend inefficaces pour prédire l'avenir. Les classificateurs traditionnels ne sont pas conçus pour apprendre des motifs dans des distributions de données non stationnaires. Pour toute utilisation en temps réel, le classificateur doit détecter la dérive conceptuelle et s'adapter au fil du temps. Comparativement à la détection de la dérive conceptuelle pour un flux de données, les défis de la détection de dérive conceptuelle par ensemble proviennent de trois aspects : premièrement, les données d'entraînement deviennent plus complexes, deuxièmement, la distribution sous-jacente devient plus complexe, et troisièmement, la corrélation entre les flux de données devient plus complexe. Dans cet article, nous fournissons une revue complète des détecteurs de dérive conceptuelle par ensemble dans le mining de flux de données, ainsi qu'une analyse de leurs techniques, points clés, avantages et limites.