비정상 환경에서 클래스 분류기 앙상블을 이용한 개념 변화 학습

우리는 시간이 지남에 따라 변화하는 분포에서 새로 나타나는 데이터를 점진적으로 학습하기 위한 클래스 분류기 앙상블 접근법을 설명합니다. 즉, 비정상 환경에서 얻은 데이터입니다. 구체적으로, 변화하는 환경에서 사용 가능한 각 추가 데이터 집합을 이용하여 새로운 분류기를 생성합니다. 분류기는 수정된 가중치 다수결 투표로 결합되며, 여기서 가중치는 분류기의 현재 및 과거 성능뿐 아니라 나이에 따라 동적으로 업데이트됩니다. 이 메커니즘은 알고리즘이 가장 최근의 관련성이 높은 분류기에 더 높은 가중치를 부여함으로써 변화하는 환경을 추적할 수 있게 합니다. 그러나 주기적인 환경이 다시 관련성이 생기는 경우에는 적절한 투표 가중치를 부여하여 오래된 분류기들도 활용합니다. 알고리즘은 점진적으로 학습하며, 즉, 이전에 사용된 데이터에 접근할 필요가 없습니다. 이 알고리즘은 특정 분류기 모델에 의존하지 않으며, 기본 문제의 특성에 맞는 어떤 분류기와도 사용할 수 있습니다. 우리는 알고리즘을 설명하고 여러 분류기 모델을 사용하여 그 성능을 비교하며, 변화율의 여러 값에 따라 다양한 환경에서 시간의 함수로 성능을 평가합니다.