Implicit concept drift detection for multi-label data streams

Bir çok gerçek dünya uygulaması, hızla oluşturulan verilerle başa çıkabilmek için çok etiketli veri akışlarını benimsemektedir. Bu tür akışlar için, kavram kayması olarak da bilinen veri dağılımındaki değişiklikler, mevcut sınıflandırma modellerinin etkinliğini hızla kaybetmesine neden olur. Bu tezde sınıflandırıcılara yardımcı olmak için, çok etiketli veri akışları için verilerdeki etiket bağımlılıklarını kullanan denetimsiz bir kavram sapma detektörü olan "Label Dependency Drift Detector" (LD3) adlı yeni bir algoritma öneriyoruz. Çalışmamız, bir veri birleştirme algoritmasından faydalanır ve üretilen sıralamayı kavram kaymasını tespit etmek için kullanan bir etiket etkisi sıralama yöntemini kullanarak etiketler arasındaki dinamik zamansal bağımlılıklardan yararlanır. LD3, çok etiketli sınıflandırma problem alanındaki ilk denetimsiz kavram kayması algılama algoritmasıdır. Bu çalışmada, LD3'ü, 12 veri seti ve bir temel sınıflandırıcı kullanarak problem alanına uyarladığımız 14 popüler denetimli kavram kayması algılama algoritması ile karşılaştırarak kapsamlı bir değerlendirme yapıyoruz. Sonuçlar, LD3'ün hem gerçek dünya hem de sentetik veri akışlarında karşılaştırılabilir dedektörlerden %19.8 ile %68.6 arasında daha iyi tahmin performansı sağladığını göstermektedir.