Detecting concept drift in data streams using model explanation

یادگیری از جریان داده ها (یادگیری افزایشی) با توجه به بسیاری از مشکلات موجود در دنیای واقعی و با توجه به بسیاری از چالش های باز، از جمله تشخیص ریزش مفهوم - پدیده ای است که توزیع داده ها تغییر می کند و مدل پیش بینی فعلی نادرست یا منسوخ شده است. روشهای تشخیص هنرهای فعلی می تواند تقریبا به الگوریتم های نظارت بر عملکرد و الگوریتم های مقایسه توزیع تقسیم شود. در این کار، ما یک آشکارساز رانش مفهومی جدید ارائه می دهیم که می تواند با یک الگوریتم طبقه بندی دلخواه ترکیب شود. آشکارساز رانش مفهوم پیشنهادی براساس محاسبات چندین توضیح مدل در طول زمان و رعایت مقادیر تغییرات آن است. توضیح مدل با استفاده از یک روش شناخته شده است که سهم ویژگی های ارزش را برای نتایج پیش بینی می کند و در نتیجه، بینش در فرایند تصمیم گیری مدل را فراهم می کند و شفافیت آن را فراهم می کند. ارزیابی نشان می دهد که روش ها از روش های ابتدایی از نظر تشخیص رانش مفهوم، دقت، استحکام و حساسیت فراتر رفته است. برای به دست آوردن بیشتر تفسیرپذیری، ما شناسایی ریزش مفهوم را به نمایش گذاشتهایم، که می توان دادههای کلان و میکرو را فعال کرد.