概念ドリフトの存在下におけるオンラインアンサンブル学習への多様性の影響

オンライン学習アルゴリズムは、概念ドリフト（すなわち、学習すべき概念が時間とともに変化する可能性がある）を考慮して動作しなければならないことが多い。本論文では、異なる基準に基づいてドリフトを相互排他的かつ非均質なカテゴリーに分類する、概念ドリフトに対する新しい分類を提示する。さらに、学習機械のアンサンブルが概念ドリフトの存在下で学習するために使用されてきたにもかかわらず、それらがなぜ役立つのか、どの特徴が寄与するのか、または寄与しないのかについての深い研究は行われていない。多様性がこれらの特徴の一つであるため、異なるタイプのドリフトの存在下での多様性分析を提示する。ドリフト前には、多様性の少ないアンサンブルが低いテスト誤差を取得することを示す。一方で、ドリフト後短期間で低いテスト誤差を得るためには、高度に多様なアンサンブルを維持することが良い戦略であり、ドリフトのタイプに関係なく有効である。特に、深刻なドリフトの場合は高い多様性がより重要である。ドリフト後しばらくすると、高い多様性の重要性は減少する。多様性そのもので最初の誤差増加を軽減することはできるが、長期的にはドリフトからの迅速な回復は提供しない。