데이터스트림 환경에서 기계학습을 사용한 개념 변화 검출 기법
A Machine Learning Method for Detecting Concept Drift in Data Streams
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 데이터스트림 환경에서 합성곱 신경망을 응용하여 개념 변화를 검출하는 방법을 제안한다. 기존의 합성곱 신경망을 응용하는개념 변화 검출 방법은 데이터스트림에서 레이블이 제공되는 일반적이지 않은 상황을 전제하며, 개념의 일관성을 고려하지 않아 실제 입력값이큰 차이가 없어도 민감하게 반응하여 개념 변화로 잘못 검출하는 문제점이 있었다. 본 논문은 레이블이 제공되지 않는 일반적인 데이터스트림상황에서 합성곱 신경망을 개념 변화 검출에 활용하고자 기계학습을 통해 레이블을 생성하는 기법과, 개념의 일관성을 고려하여 검출 오류를 줄이고자 레이블의 차이를 정량화 하는 레이블 조정 방법을 함께 제안한다. 먼저, 오토인코더와 클러스터링을 통해 데이터스트림에 입력되는 데이터를패턴화하여 신경망 모델에 학습시키고, 이렇게 학습된 신경망 모델의 과거 데이터와 현재 데이터의 출력값에 레이블 조정 방법을 적용해 차이를계산하여 개념 변화를 검출한다.
Abstract
In this paper, we propose a method to detect concept drift in data stream by using machine learning techniques. Existing conceptdrift detecting methods that using convolutional neural networks presuppose unusual situations where labels are provided in the datastream. Also, existing methods does not consider consistency of concept. For that reason, existing methods have a problem in that inputof the data stream are falsely detected as a concept drift due to sensitive response even if there is not a large difference. Therefore,we propose a technique to generate labels through machine learning in the usual data streams, and label adjust method that considersthe consistency of concepts by quantifying the difference of labels in order to reduce the detection error. Our proposed method patternizeinputs of data stream with autoencoder and clustering technique, and train a convolutional neural network model. Since then we detectconcept drift by applying label adjust method to the output of model about past and present input.