DriftGAN: Using historical data for Unsupervised Recurring Drift Detection

在现实世界的应用中，输入数据分布很少在一段时间内保持不变，这种现象被称为概念漂移。这种概念漂移会降低模型的预测性能，因此我们需要方法来解决这些问题。首先要做的是识别概念漂移，并采取训练方法来恢复模型的性能。大多数概念漂移检测方法都是通过检测概念漂移并发出重新训练模型的信号来工作的。然而，在现实情况下，可能会有周期性的概念漂移。在本文中，我们提出了一种基于生成对抗网络（GAN）的无监督方法来检测概念漂移，并确定特定的概念漂移是否发生在过去。我们的方法减少了模型需要为周期性漂移重新适应的时间和数据。我们的主要结果表明，我们提出的模型在大多数数据集上可以胜过当前最先进的模型。我们还在天体物理学的一个实际应用案例中测试了我们的方法，在这个案例中，我们检测到了弓形震荡和磁层面穿越，并取得了比该领域现有方法更好的结果。

使用生成对抗网络检测概念漂移并识别过去的漂移，以提高模型性能。

使用基于GAN的无监督方法检测概念漂移并识别过去的漂移，以减少模型重新训练所需的时间和数据。

该方法在大多数数据集上优于当前最先进的模型，并在天体物理学领域的实际用例中检测到弓形震荡和磁层顶的穿越，结果优于现有方法。

最近的相关研究包括基于深度学习的概念漂移检测方法，如基于神经网络的方法和基于集成的方法。