Nguồn tham khảo: Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2018). Learning under Concept Drift: A Review. IEEE Transactions on Knowledge and Data Engineering, 1–1. https://doi.org/10.1109/TKDE.2018.2876857
Truy cập toàn văn: https://doi.org/10.1109/TKDE.2018.2876857
Tóm tắt nội dung
Jie Lu, Anjin Liu, Fan Dong, Feng Gu, Joao Gama và Guangquan Zhang (2018) tổng quan lĩnh vực học máy trong điều kiện trôi khái niệm (concept drift), tức những thay đổi khó lường trước trong phân phối nền của dữ liệu dòng theo thời gian. Mục tiêu là giúp nhà nghiên cứu nhận ra các chủ đề quan trọng và cách áp dụng kỹ thuật liên quan vào phân tích dữ liệu. Nhóm tác giả rà soát hơn 130 công bố chất lượng cao và đề xuất một khung gồm ba thành phần: phát hiện trôi, hiểu trôi và thích ứng với trôi; theo họ, khung tổng hợp này chưa được nêu trong các công trình trước.
Bài liệt kê 10 bộ dữ liệu mô phỏng và 14 bộ dữ liệu chuẩn công khai dùng để đánh giá thuật toán xử lý trôi khái niệm, đồng thời thảo luận các hướng nghiên cứu tiếp theo. Điểm xuất phát của bài là nhận định rằng mô hình học máy sẽ cho kết quả kém nếu hiện tượng trôi không được xử lý. Với hệ thống dự báo sinh viên có nguy cơ bỏ học, khung ba bước gợi ý cách tổ chức việc giám sát qua từng năm học: kiểm tra quan hệ giữa dấu hiệu học tập và kết quả bỏ học có còn như lúc huấn luyện, tìm hiểu thay đổi nằm ở đâu, rồi mới quyết định huấn luyện lại hay điều chỉnh mô hình.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Lu và cộng sự (2018) tổng quan hơn 130 công trình và tổ chức lĩnh vực này thành ba thành phần: phát hiện, hiểu và thích ứng với trôi khái niệm.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp