A survey on feature drift adaptation: Definition, benchmark, challenges and future directions

معدنکاری دادهها یک موضوع تحقیقاتی است که به سرعت در حال رشد است به دلیل همهچیز بودن دادهها در چندین دنیای واقعی. با توجه به ماهیت زمانی آنها، انتظار می رود که منابع جریان داده تغییری در توزیع داده ها داشته باشند، یک پدیده به نام مفهوم راندگی. این مقاله بر روی یک نوع خاص از رانش تمرکز دارد که هنوز به طور کامل مورد مطالعه قرار نگرفته است یعنی ریزش ویژگی. رانش ویژگی رخ می دهد هر زمان که یک زیر مجموعه از ویژگی های می شود و یا متوقف می شود، مربوط به کار یادگیری؛ بنابراین، زبان آموزان باید بر اساس این تغییرات را شناسایی و سازگار کنند. ما کارهای موجود در انطباق رانندگی ویژگی با هر دو روش صریح و ضمنی را بررسی می کنیم. علاوه بر این، ما چندین الگوریتم و یک روش شناسایی رانش ویژگی ساده را با استفاده از داده های مصنوعی و دنیای واقعی مقایسه می کنیم. نتایج آزمایشات ما نیاز به تحقیقات آینده در این زمینه را نشان می دهد، زیرا حتی شیوه های ساده و بی نظیر تولید دقت در کاهش مصرف منابع را به همراه دارد. در نهایت، ما موضوعات مباحث پژوهشی فعلی، چالش ها و جهت های آینده را برای انطباق رانندگی ویژگی ها تعریف می کنیم.