학습자 기반 개념 드리프트 탐지: 분석 및 평가

진화하는 스트리밍 환경(streaming environments)을 위해 배포된 머신러닝 (Machine learning) 알고리즘은 흔히 개념 드리프트 (concept drift)라고 불리는 비정상적 데이터 분포 (non-stationary data distributions)를 처리해야 합니다. 개념 드리프트의 존재는 많은 실제 응용 분야에서 주요한 과제를 제기하는데, 이는 예측 성능을 심각하게 저하시켜 견고한 의사결정 (decision-making)을 지원하는 능력을 방해할 수 있기 때문입니다. 결과적으로, 드리프트 이벤트 (drift events)를 시의적절하고 효율적으로 탐지하는 것은 시간이 지나도 높은 정확도를 유지하는 데 매우 중요합니다. 본 연구는 개념 드리프트의 특성과 여러 카테고리에 걸친 수많은 드리프트 탐지 (drift detection) 알고리즘을 이론적으로 검토합니다. 나아가, 급격한 변화 (abrupt changes) 및 점진적인 변화 (gradual changes)와 같이 다양한 스트리밍 시나리오와 드리프트 특성을 나타내는 합성 (synthetic) 및 실제 데이터셋 모두에서 그 성능을 평가합니다. 본 연구는 개념 드리프트 특성의 복잡한 개념과 드리프트 탐지기 (drift detectors)의 동작, 그리고 다양한 맥락에 대한 적용 가능성에 대한 이해를 높이는 것을 목표로 합니다.