ترجمه فارسی مقاله یک چارچوب احتمالی برای سازگاری با مفاهیم در حال تغییر و تکرار در جریان داده ها

چکیده

The distribution of streaming data often changes over time as conditions change, a phenomenon known as concept drift. Only a subset of previous experience, collected in similar conditions, is relevant to learning an accurate classifier for current data. Learning from irrelevant experience describing a different concept can degrade performance. A system learning from streaming data must identify which recent experience is irrelevant when conditions change and which past experience is relevant when concepts reoccur, \textit{e.g.,} when weather events or financial patterns repeat. Existing streaming approaches either do not consider experience to change in relevance over time and thus cannot handle concept drift, or only consider the recency of experience and thus cannot handle recurring concepts, or only sparsely evaluate relevance and thus fail when concept drift is missed. To enable learning in changing conditions, we propose SELeCT, a probabilistic method for continuously evaluating the relevance of past experience. SELeCT maintains a distinct internal state for each concept, representing relevant experience with a unique classifier. We propose a Bayesian algorithm for estimating state relevance, combining the likelihood of drawing recent observations from a given state with a transition pattern prior based on the system’s current state.

چکیده به فارسی (ترجمه ماشینی)

توزیع داده های جریان اغلب با تغییر شرایط تغییر می کند ، پدیده ای که به عنوان رانش مفهوم شناخته می شود.فقط یک زیر مجموعه از تجربه قبلی ، که در شرایط مشابه جمع آوری شده است ، برای یادگیری یک طبقه بندی دقیق برای داده های فعلی مرتبط است.یادگیری از تجربه بی ربط توصیف یک مفهوم متفاوت می تواند عملکرد را تخریب کند.یک سیستم یادگیری از داده های جریان باید مشخص کند که در هنگام تغییر شرایط ، تجربه اخیر بی ربط است و تجربه گذشته در هنگام استفاده مجدد از مفاهیم ، \ textit {به عنوان مثال ،} وقتی وقایع آب و هوایی یا الگوهای مالی تکرار می شوند ، مرتبط است.رویکردهای جریان موجود یا تجربه را برای تغییر در ارتباط با گذشت زمان در نظر نمی گیرند و بنابراین نمی توانند از عهده رانش مفهوم برخوردار باشند ، یا فقط به عنوان تجربه تجربه در نظر بگیرند و بنابراین نمی توانند مفاهیم مکرر را کنترل کنند ، یا فقط به سختی اهمیت را ارزیابی می کنند و در نتیجه هنگام از دست رفتن مفهوم شکست می خورند.برای فعال کردن یادگیری در شرایط تغییر ، ما یک روش احتمالی را برای ارزیابی مداوم ارتباط تجربه گذشته پیشنهاد می کنیم.SELECT یک وضعیت داخلی متمایز را برای هر مفهوم حفظ می کند ، و نشان دهنده تجربه مربوطه با یک طبقه بندی منحصر به فرد است.ما یک الگوریتم بیزی را برای برآورد ارتباط دولت پیشنهاد می کنیم ، و احتمال ترسیم مشاهدات اخیر از یک حالت معین را با الگوی انتقال قبل بر اساس وضعیت فعلی سیستم ترکیب می کنیم.