在机器学习领域，概念漂移（concept drift）问题长期困扰着研究者，即数据分布随时间发生变化，使得模型难以持续有效。
一个显著的例子是CLEAR非稳态学习基准的图像展示，它揭示了物体视觉特征在十年间发生的显著变化。
这种现象被称为「缓慢的概念漂移」，它对物体分类模型提出了严峻的挑战。当物体的外观或属性随着时间的推移而改变时，如何确保模型能够适应这种变化并持续准确地进行分类，成为了研究者关注的焦点。
近日，针对这一挑战，Google AI的研究人员提出了一种优化驱动的方法MUSCATEL（Multi-Scale Temporal Learning） ，显著提升了模型在大型、动态数据集中的表现。该工作发表于AAAI2024。
目前，针对概率漂移的主流方法是在线学习和持续学习（online and continue learning）。
这些方法的核心思想是，通过不断更新模型以适应最新数据，保持模型的时效性。然而，这种做法存在两个核心难题。
首先，它们往往只关注最新数据，导致过去数据中蕴含的有价值信息被忽略。其次，这些方法假设所有数据实例的贡献随时间均匀衰减，这与现实世界的实际情况不符。
MUSCATEL方法能有效解决这些问题，它训练实例的重要性分配分数，优化模型在未来实例中的表现。
为此，研究人员引入了一个辅助模型，结合实例及其年龄生成分数。辅助模型与主模型协同学习，解决了两个核心难题。
该方法在实际应用中表现优异，在一项涵盖3900万张照片、持续9年的大型真实数据集实验中，相较于其他稳态学习的基线方法，准确率提升了15%。
同时在两个非稳态学习数据集及持续学习环境中，也展现出优于SOTA方法的效果。
概念漂移对有监督学习的挑战
为了研究概念漂移对有监督学习的挑战，研究人员在照片分类任务中比较了离线训练（offline training）和持续训练（continue training）两种方法，使用约3,900万张10年间的社交媒体照片。
如下图所示，离线训练模型虽然初始性能高，但随时间推移准确性下降，因灾难遗忘（catastrophic forgetting）导致对早期数据理解减少。
相反，持续训练模型虽初始性能较低，但对旧数据依赖较低，测试期间退化更快。
这表明数据随时间演变，两模型的适用性降低。概念漂移对有监督学习构成挑战，需持续更新模型以适应数据变化。
MUSCATEL
MUSCATEL是一种创新的方法，旨在解决缓慢概念漂移这一难题。它通过巧妙结合离线学习与持续学习的优势，旨在减少模型在未来的性能衰减。
在庞大的训练数据面前，MUSCATEL展现了其独特的魅力。它不仅仅依赖传统的离线学习，更在此基础上审慎地调控和优化过去数据的影响，为模型未来的表现打下坚实基础。
为了进一步提升主模型在新数据上的性能，MUSCATEL引入了一个辅助模型。
根据下图中的优化目标，训练辅助模型根据每个数据点的内容和年龄为其分配权重。这一设计使得模型能够更好地适应未来数据的变化，保持持续的学习能力。
为了使辅助模型与主模型协同进化，MUSCATEL还采用了元学习（meta-learning）的策略。
这一策略的关键在于将样本实例与年龄的贡献进行有效分离，并通过结合多种固定衰变时间尺度来设定权重，如下图所示。
此外，MUSCATEL还学习将每个实例“分配”到最适合的时间尺度上，以实现更精确的学习。
实例权重评分
如下图所示，在CLEAR物体识别挑战中，学习的辅助模型成功调整了物体的权重：新外观的物体权重增加，旧外观的物体权重减少。
通过基于梯度的特征重要性评估，可以发现辅助模型聚焦于图像中的主体，而非背景或与实例年龄无关的特征，从而证明了其有效性。
大规模照片分类任务取得显著突破
在YFCC100M数据集上研究了大规模照片分类任务（PCAT），利用前五年的数据作为训练集，后五年的数据作为测试集。
相较于无加权基线以及其他鲁棒学习技术，MUSCATEL方法展现出了明显的优势。
值得注意的是，MUSCATEL方法有意识地调整了对遥远过去数据的准确性，以换取测试期间性能的显著提升。这一策略不仅优化了模型对于未来数据的适应能力，同时还在测试期间表现出较低的退化程度。
跨数据集验证广泛使用性
非稳态学习挑战的数据集涵盖了多种数据来源和模式，包括照片、卫星图像、社交媒体文本、医疗记录、传感器读数和表格数据，数据规模也从10k到3900万实例不等。值得注意的是，每个数据集之前的最优方法可能各有千秋。然而，如下图所示，在数据与方法均存在多样性的背景下，MUSCATEL方法均展现出了显著的增益效果。这一结果充分证明了MUSCATEL的广泛适用性。
拓展持续学习算法，应对大规模数据处理挑战
当面对堆积如山的大规模数据时，传统的离线学习方法可能会感到力不从心。
考虑到这个问题，研究团队巧妙地调整了一种受持续学习启发的方法，让它轻松适应大规模数据的处理。
这个方法很简单，就是在每一批数据上加上一个时间权重，然后顺序地更新模型。
虽然这样做还是有一些小限制，比如模型更新只能基于最新的数据，但效果却出奇地好！
在下图的照片分类的基准测试中，这个方法表现得比传统的持续学习算法和其他各种算法都要出色。
而且，由于它的思路与许多现有的方法都很搭，预计与其他方法结合后，效果会更加惊艳！
总的来说，研究团队成功将离线与持续学习相结合，破解了长期困扰业界的数据漂移问题。
这一创新策略不仅显著缓解了模型的「灾难遗忘」现象，还为大规模数据持续学习的未来发展开辟了新的道路，为整个机器学习领域注入了新的活力。
文章来源网络，作者：运维，如若转载，请注明出处：https://shuyeidc.com/wp/225393.html<
