Компьютерные науки > Машинное обучение [представлено 23 октября 2026 года] Название: " Предварительная адаптация в режиме времени для несбалансированных потоков данных в соответствии с концепцией Drift View PDF HTML (экспериментальное) резюме: классификация потока данных в рамках концепции дрейфа и дисбаланс классов требуют, чтобы модели постоянно адаптировались при сохранении высоких показателей по группам меньшинств. Многие существующие подходы основаны на активном управлении памятью, включая удаление случаев, реструктуризацию памяти, переотбор и генерирование синтетических данных. Мы представляем PAI-KNN, отрицательный соседский классификатор, который адаптируется с помощью предварительной корректировки в момент вывода, а не изменения памяти. PAI-KNN обеспечивает простое скользящее окно буфера и динамическо корректирует правило принятия решения на основе предварительных оценок класса, полученных в результате последних наблюдений. По оценке мультяшных потоков синтетических данных, охватывающих различные несбалансированные и дрейфовые сценарии, ПАИ-КНН обеспечивает конкурентоспособность с использованием современных методов, особенно при формировании на основе сценариев, предусматривающих динамические классовые диспропорции и концептуальный уклон. Эти выводы свидетельствуют о том, что адаптация в нестационарных средах может оказаться возможной лишь при изменении памяти. Дополнительные ссылки и цитаты... Библиографические и цитационно-инструментальные средства…
Предварительная адаптация в случае несбалансированных потоков данных в соответствии с концепцией Drift
arXiv:2610.33126v1 Тип уведомления: новое резюме: классификация потоков данных в соответствии с концептуальным дрейфом и дисбалансом классов требует, чтобы модели постоянно адаптировались при сохранении высоких показателей для категории меньшинств. Многие существующие подходы основаны на активном управлении памятью, включая удаление случаев, реструктуризацию памяти, переотбор и генерирование синтетических данных. Мы представляем PAI-KNN, отрицательный соседский классификатор, который адаптируется с помощью предварительной корректировки в момент вывода, а не изменения памяти. PAI-KNN обеспечивает простое скользящее окно буфера и динамическо корректирует правило принятия решения на основе предварительных оценок класса, полученных в результате последних наблюдений. По оценке мультяшных потоков синтетических данных, охватывающих различные несбалансированные и дрейфовые сценарии, ПАИ-КНН обеспечивает конкурентоспособность с использованием современных методов, особенно при формировании на основе сценариев, предусматривающих динамические классовые диспропорции и концептуальный уклон. Эти выводы свидетельствуют о потенциале адаптации в халленге с учетом фактора времени