Resumen

Para la mayoría de los flujos de datos del mundo real, el concepto sobre el cual se obtienen datos puede cambiar de vez en cuando, un fenómeno conocido como cambio de concepto. Para la mayoría de las aplicaciones del mundo real, como los datos de series temporales no estacionarias, el cambio de concepto ocurre a menudo de forma cíclica, y los conceptos vistos previamente volverán a aparecer, lo que respalda un tipo único de cambio de concepto conocido como conceptos recurrentes. Un concepto que cambia de forma cíclica muestra una tendencia a regresar a estados visitados previamente. Los algoritmos de aprendizaje automático existentes manejan los conceptos recurrentes volviendo a entrenar un modelo de aprendizaje si se detecta un cambio de concepto, lo que conduce a la pérdida de información si el concepto fue bien aprendido por el modelo de aprendizaje, y el concepto volverá a ocurrir en la siguiente fase de aprendizaje. Un remedio común para la mayoría de los algoritmos de aprendizaje automático es conservar y re

• Materias:Anillos Modelos dinámicos Teoría de grupos Variedades de curvas Ecuación diferencial
• Subjects:Rings Dynamic models Group theory Varieties of curves Differential Equation
• Palabras claves:Deriva de concepto; Conceptos recurrentes; Algoritmos de aprendizaje automático; Datos en continuo; Clasificador ensemble; Conjunto de clasificadores adaptativos recurrentes
• Keywords:Concept drift; Recurring concepts; Machine learning algorithms; Streaming data; Ensemble classifier; Recurring adaptive classifier ensemble