CN116451081A - 数据漂移的检测方法、装置、终端及存储介质 - Google Patents
数据漂移的检测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN116451081A CN116451081A CN202310425578.0A CN202310425578A CN116451081A CN 116451081 A CN116451081 A CN 116451081A CN 202310425578 A CN202310425578 A CN 202310425578A CN 116451081 A CN116451081 A CN 116451081A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- fusion
- feature
- drift
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010998 test method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000009826 distribution Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种数据漂移的检测方法、装置、终端及存储介质。该方法包括:通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据;通过训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;采用经过训练的神经网络模型的输入层和隐含层对待检测数据进行特征提取,得到待检测数据的多项融合特征的值;选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。本发明能够以较低的计算开销进行数据漂移检测,同时能够摆脱对真实标注的依赖。
Description
技术领域
本发明涉及数据技术领域,尤其涉及一种数据漂移的检测方法、装置、终端及存储介质。
背景技术
随着大数据和机器学习技术的发展,很多相关模型被应用到实际生产环境当中处理实时数据。但随着数据模型的使用,数据模型的性能会发生退化,导致此现象的原因在于所处理数据的分布发生了变化,即数据漂移。
目前的大部分漂移检测方法需要依赖数据的真实标注,一些无监督的漂移检测算法又存在检测多维数据时计算开销大的问题,因此急需一种使用方便且节省计算资源的漂移检测方法。
发明内容
本发明实施例提供了一种数据漂移的检测方法、装置、终端及存储介质,以解决进行数据漂移检测的计算开销大的问题。
第一方面,本发明实施例提供了一种数据漂移的检测方法,包括:
通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据;
通过训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;其中,神经网络模型包括输入层、隐含层和输出层,用于提取待检测数据的标签;
采用经过训练的神经网络模型的输入层和隐含层对待检测数据进行特征提取,得到待检测数据的多项融合特征的值;
选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;其中,k为预设值,m小于等于k;
对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
在一种可能的实现方式中,在对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果之后,还包括:
若检测结果为未发生数据漂移,则在训练数据中随机剔除n条历史数据,并加入n条新的历史数据,得到更新后的训练数据,以及获取更新后的待检测数据;其中,n为预设值;
通过更新后的训练数据和无监督学习算法对神经网络模型进行训练,得到更新后的神经网络模型;
采用更新后的神经网络模型的输入层和隐含层对更新后的待检测数据进行特征提取,得到更新后的待检测数据的多项融合特征的值;
选取对于标签的重要性程度排名前m位的k项融合特征作为更新后的差异判断特征;
对各项更新后的差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
在一种可能的实现方式中,在选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征之前,还包括:
针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值;
针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值;
按照重要性程度值从大到小的排序方式对各项融合特征进行排序。
在一种可能的实现方式中,针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值包括:
将该条待检测数据的各项融合特征的值输入解释模型,得到该条待检测数据的各项融合特征的SHAP值;其中,解释模型以融合特征的值为输入,以融合特征的SHAP值为输出。
在一种可能的实现方式中,针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值包括:
针对每项融合特征,计算该项融合特征的各SHAP值的绝对值的平均值,作为该项融合特征对于标签的重要性程度值。
在一种可能的实现方式中,对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果包括:
采用KS假设检验方法对各项差异判断特征进行差异性检测,得到各项差异判断特征的差异值;
若存在差异判断特征的差异值大于预设阈值,则判定数据漂移的检测结果为存在数据漂移。
在一种可能的实现方式中,差异值为P值,预设阈值为显著性水平。
第二方面,本发明实施例提供了一种数据漂移的检测装置,包括:
获取模块,用于通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据;
训练模块,用于通过训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;其中,神经网络模型包括输入层、隐含层和输出层,用于提取待检测数据的标签;
提取模块,用于采用经过训练的神经网络模型的输入层和隐含层对待检测数据进行特征提取,得到待检测数据的多项融合特征的值;
选取模块,用于选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;其中,k为预设值,m小于等于k;
检测模块,用于对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供的基于可解释性的漂移检测方法、装置、终端及存储介质的有益效果在于:
本发明使用无监督学习算法对神经网络模型进行训练,无需使用经过标注的训练数据,然后通过神经网络模型的中间层提取待检测数据的特征,能够对待检测数据进行降维和特征融合,增强了特征之间的影响关系,最后利用特征的重要性程度对特征进行筛选,减少了特征的规模。与传统的有监督漂移检测算法相比,本发明利用了神经网络模型的中间层进行特征提取,以及利用特征对预测结果的重要性确定重要特征,通过重要特征的分布变化判断当前的数据是否出现漂移,从而以较低的计算开销进行数据漂移检测,同时能够摆脱对真实标注的依赖。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的数据漂移的检测方法的实现流程图;
图2是本发明一实施例提供的数据漂移的检测方法的实现架构示意图;
图3是本发明一实施例提供的数据漂移的检测方法的对比算法配置参数;
图4是本发明一实施例提供的数据漂移的检测方法中人造数据集上检测算法执行结果;
图5是本发明一实施例提供的数据漂移的检测方法中对比算法在人造标准数据集上结果的Nemenyi test检验示意图;
图6是本发明一实施例提供的数据漂移的检测方法中在真实数据集上检验的准确率变化及漂移检测示意图;
图7是本发明一实施例提供的数据漂移的检测方法中对比算法在真实数据集上的漂移检测示意图。
图8是本发明一实施例提供的数据漂移的检测装置的结构示意图;
图9是本发明一实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的数据漂移的检测方法的实现流程图,详述如下:
步骤101,通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据。
在本实施例中,训练数据与检测数据具有相同的格式,例如,针对电力系统的运行数据进行数据漂移检测,则历史数据为电力系统的历史运行数据,实时数据为电力系统的实时运行数据。在实际使用中,历史数据和实时数据都是持续产生的,属于流式数据。参考窗口和检测窗口均采用滑动窗口方式积累数据,当各窗口积累到规定规模的数据后,开始执行漂移检测操作。
步骤102,通过训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;其中,神经网络模型包括输入层、隐含层和输出层,用于提取待检测数据的标签。
在本实施例中,神经网络模型用于对待检测数据进行处理,得到用户需要的标签,即神经网络模型的输入参数为待检测数据,输出结果为待检测数据的标签,以得到用户需要的预测结果。神经网络模型的类型和结构与待检测数据的类型相适应,当待检测数据的类型为图像、文本等非结构化数据时,仍能得到对应的标签,以进行数据漂移的检测。
本实施例通过无监督学习算法训练神经网络模型,能够确定神经网络模型的权重参数,并且无需对训练数据进行标注,从而摆脱漂移检测对于标注的依赖。
步骤103,采用经过训练的神经网络模型的输入层和隐含层对待检测数据进行特征提取,得到待检测数据的多项融合特征的值。
在本实施例中,利用神经网络模型的输入层和隐含层进行特征提取,得到的融合特征的值可以认为是一种更高层次的数据表示,该机制的引入主要包括两个效果:首先融合特征经过不同网络层的处理,在保留数据主要信息的基础上,特征的维度降低,后续处理的计算开销也相应降低,该效果在待检测数据为高维数据时尤为显著。其次,引入了特征融合的效果,融合特征经过各层神经元的计算,在隐含层输出的特征值已经是待检测数据上多种特征共同作用的结果,即融合特征中的一个特征已经包含了待检测数据上多种特征的信息。
步骤104,选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;其中,k为预设值,m小于等于k。
在本实施例中,此步骤可以对融合特征进行筛选,去除不重要的融合特征,在保证漂移检测准确性的同时,减少检测过程中的计算开销。
步骤105,对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
在本实施例中,假设检验能够评估数据的分布情况,根据各项差异判断特征的分布,可以判断出对应的待检测数据是否存在数据漂移现象。
在一种可能的实现方式中,在对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果之后,还包括:
若检测结果为未发生数据漂移,则在训练数据中随机剔除n条历史数据,并加入n条新的历史数据,得到更新后的训练数据,以及获取更新后的待检测数据;其中,n为预设值;
通过更新后的训练数据和无监督学习算法对神经网络模型进行训练,得到更新后的神经网络模型;
采用更新后的神经网络模型的输入层和隐含层对更新后的待检测数据进行特征提取,得到更新后的待检测数据的多项融合特征的值;
选取对于标签的重要性程度排名前m位的k项融合特征作为更新后的差异判断特征;
对各项更新后的差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
在本实施例中,每次检测完成后,参考窗口内的数据更新规则如下:如果检测结果为发生漂移,则使用当前的待检测数据完全覆盖参考窗口,并通过检测窗口获取新的待检测数据;如果检测结果为未发生漂移,则使用随机采样策略剔除参考窗口的部分数据,并向参考窗口填入部分新的数据,该操作能够使参考窗口的数据分布得到更新。因为检测窗口是随着整个数据流不断推进的,被检测过的实时数据会成为历史参考数据,如果直接将这部分数据丢弃,会丢失可用的参考信息。因此,本操作能够使参考窗口一直保持在能够体现整体历史数据分布的状态。
在训练数据更新后,更新后的神经网络模型参数发生变化,提取到的融合特征类型和值可能不同,重新选取差异判断特征,可以保证进行假设检验的准确性,并且无需再保留上次数据漂移检测时各项融合特征的重要性程度,从而降低了数据漂移检测过程的空间复杂度。
在一种可能的实现方式中,在选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征之前,还包括:
针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值;
针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值;
按照重要性程度值从大到小的排序方式对各项融合特征进行排序。
在本实施例中,SHAP值能够描述各个融合特征对神经网络模型结果的影响,从而对各项融合特征的重要性程度进行量化。神经网络模型的预测结果可以使用公式(1)进行表示:
yi=ybase+f1(Xi)+f2(Xi)+...+fn(Xi) (1)
其中,fj(Xi)为第i个样本的第j个融合特征的SHAP值。
在一种可能的实现方式中,针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值包括:
将该条待检测数据的各项融合特征的值输入解释模型,得到该条待检测数据的各项融合特征的SHAP值;其中,解释模型以融合特征的值为输入,以融合特征的SHAP值为输出。
在本实施例中,可以利用已有的模型解释库,构建一个以融合特征的值作为输入,该融合特征对于预测结果贡献程度为输出的解释模型,然后将各融合特征的值输入解释模型,计算所有待检测数据的各融合特征的值对于预测结果的贡献程度。
在一种可能的实现方式中,针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值包括:
针对每项融合特征,计算该项融合特征的各SHAP值的绝对值的平均值,作为该项融合特征对于标签的重要性程度值。
在本实施例中,SHAP值的绝对值大小直接反应了融合特征对预测结果的影响程度,将所有待检测实例某一融合特征的SHAP值绝对值的平均值作为该融合特征的重要性程度值,能够综合该融合特征在各待检测数据上对于预测结果的重要性,从而选取出合适的差异判断特征。
在一种可能的实现方式中,对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果包括:
采用KS假设检验方法对各项差异判断特征进行差异性检测,得到各项差异判断特征的差异值;
若存在差异判断特征的差异值大于预设阈值,则判定数据漂移的检测结果为存在数据漂移。
在本实施例中,由于之前的步骤中引入了融合特征,单一差异判断特征已经包含了待检测数据上多个特征的信息,所以此步骤可以在单一差异判断特征上进行假设检验,而不会忽略对特征之间影响变化的检测。
在一种可能的实现方式中,差异值为P值,预设阈值为显著性水平。
在本实施例中,可以将显著性水平设置为0.01,某个特征上进行假设检验得到的P值低于显著性水平时,即认为当前待检测数据发生漂移。
在一个具体的实施例中,在CoreTMi7-8700 CPU@3.20GHz 3.19GHz环境中进行实验,对本发明提供的数据漂移的检测方法进行评估,运行软件环境为Python3.8,并选取了一些标准和先进的检测算法进行比较,分别为DDM算法,EDDM算法,ADWIN算法算法,HDDDM算法,DAWIDD算法和PCA-CD算法。每个算法的简要描述如下:
DDM算法基于模型错误率的分布变化检测漂移,是最经典的有监督漂移检测算法。
EDDM算法是DDM算法的改进,定义了一个错误率的距离指标,提升了算法的敏感性。
ADWIN算法引入了一种自适应变化的滑动窗口策略,避免了固定滑窗带来的一些问题。
HDDDM算法、PCA-CD算法以及DAWIDD算法均为无监督检测算法,其中HDDDM算法使用海灵格距离度量数据间的分布差异;PCA-CD引入了降维技术,降低了检测过程的计算开销;而DAWIDD算法则是证明了独立性检验与分布变化的等效性,从另一个角度完成了对漂移的检测。
图2为进行实验的数据漂移的检测方法的实现框架。如图2所示,数据块为本实施例中的待检测数据,在待检测数据的使用过程中,黑盒模型即上述实施例中的神经网络模型,用于利用数据块与真实值之间存在的真实映射关系得到数据块对应的预测结果,检测模型与黑盒模型的结构相同,利用训练数据对参数进行训练。将数据块输入经过训练的检测模型以进行特征提取,然后将得到的各融合特征的值输入解释模型,得到SHAP块,即上述实施例中的SHAP值,最后根据SHAP值进行重要特征选择,确定重要性程度排名前m的k项融合特征,进行假设检验,以得到数据漂移的检测结果。
对于各对比算法的参数,综合考虑了原论文以及其他将其作为对比算法的论文中对参数的设置,确保对比算法的检测效果后,将检测窗口的规模设置为50个数据实例。具体的参数设置如图3所示。
在基于模型可解释性的漂移检测算法(Model Explanation based DriftDetection Method,MEDDM)中,设定假设检验的显著性水平为0.01,k为重要性由大到小排列后,重要性综合占99%的前k个特征。
使用了4个标准真实数据集以及6个标准人造数据集来比较漂移检测算法的性能。其中,四个标准人造数据集分别为天气预测数据集,钓鱼网站预测数据集,电价预测数据集以及森林覆盖率预测数据集。另外有6个常在数据流变化检测以及漂移检测场景所使用的标准人造数据集。
对于真实数据集和标准人造数据集,分别采用不同的度量指标来评估实验结果,对于人造数据集,采用检测问题中常用的精确率以及召回率作为指标,通过比较真实漂移点与算法检测漂移点的吻合,比较检测算法的性能;对于真实数据集,由于无法得知漂移发生的位置,因此需要使用模型的准确率来侧面体现检测算法的性能,每当检测到漂移后,都对机器学习模型进行更新,并判定能够在最少的检测次数上维持模型更高的平均准确率的算法效果最优。
实验结果表明,如图4所示,实验结果表明,本算法在精确度指标上具有显著的优势,但在召回率指标上,要略微逊色于两个有监督的漂移检测算法。为了更加直观的比较各个算法的性能,采用Nemenyi test检验方法基于人造标准数据集上的实验结果对各个检测算法进行比较,最终算法在精确率以及召回率上的排名如图5所示。对于真实数据集上的实验,每当检测到一次漂移后对分类模型进行更新,使模型维持在原有的准确率,最终使用模型准确率以及更新次数作为算法的评价指标,漂移检测以及准确率变化的示意图如图6所示,最终各检测算法作用下的平均准确率以及更新次数如图7所示,实验结果表明,MEDDM算法能够在真实数据集上更好的保持模型的准确率,同时模型的准确率也在一个可接受的范围。
由上可知,本发明与现有技术相比,其显著优点为:与传统的漂移检测算法相比,引入了中间层特征提取策略以及模型重要性特征排序策略,通过特征重要性程度的分布变化,能够侧面反映出当前的数据出现了漂移,从而摆脱对真实标注的依赖。此外,大部分传统无监督漂移检测算法会检测输入数据的分布发生变化,一类是分别在单个特征上检测分布变化,这就会导致检测算法忽略特征之间相关性发生变化的情况;另一类直接检验整体数据分布变化,当数据维度提升时,分布变化计算的开销便会难以接受。基于以上问题,本技术采用了中间层特征建模以及特征重要性机制。神经网络中间特征的融合增加了特征的互作用信息,同时提供了有效的降维作用,使得能够分别在单个特征进行假设检验,但又不丢失特征之间的影响信息,之后根据特征的重要性机制进一步减少特征的规模,使本技术能够在每个单一特征上计算分布变化也能够接近计算整体数据分布,从而极大程度上减小了在高维数据上的检测开销。
本发明实施例使用无监督学习算法对神经网络模型进行训练,无需使用经过标注的训练数据,然后通过神经网络模型的中间层提取待检测数据的特征,能够对待检测数据进行降维和特征融合,增强了特征之间的影响关系,最后利用特征的重要性程度对特征进行筛选,减少了特征的规模。与传统的有监督漂移检测算法相比,本发明利用了神经网络模型的中间层进行特征提取,以及利用特征对预测结果的重要性确定重要特征,通过重要特征的分布变化判断当前的数据是否出现漂移,从而以较低的计算开销进行数据漂移检测,同时能够摆脱对真实标注的依赖。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图8示出了本发明实施例提供的数据漂移的检测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图8所示,数据漂移的检测装置8包括:
获取模块81,用于通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据;
训练模块82,用于通过训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;其中,神经网络模型包括输入层、隐含层和输出层,用于提取待检测数据的标签;
提取模块83,用于采用经过训练的神经网络模型的输入层和隐含层对待检测数据进行特征提取,得到待检测数据的多项融合特征的值;
选取模块84,用于选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;其中,k为预设值,m小于等于k;
检测模块85,用于对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
在一种可能的实现方式中,获取模块81还用于在对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果之后,若检测结果为未发生数据漂移,则在训练数据中随机剔除n条历史数据,并加入n条新的历史数据,得到更新后的训练数据,以及获取更新后的待检测数据;其中,n为预设值;
训练模块82还用于通过更新后的训练数据和无监督学习算法对神经网络模型进行训练,得到更新后的神经网络模型;
提取模块83还用于采用更新后的神经网络模型的输入层和隐含层对更新后的待检测数据进行特征提取,得到更新后的待检测数据的多项融合特征的值;
选取模块84还用于选取对于标签的重要性程度排名前m位的k项融合特征作为更新后的差异判断特征;
检测模块85还用于对各项更新后的差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
在一种可能的实现方式中,选取模块84具体用于:
在选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征之前,针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值;
针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值;
按照重要性程度值从大到小的排序方式对各项融合特征进行排序。
在一种可能的实现方式中,选取模块84具体用于:
将该条待检测数据的各项融合特征的值输入解释模型,得到该条待检测数据的各项融合特征的SHAP值;其中,解释模型以融合特征的值为输入,以融合特征的SHAP值为输出。
在一种可能的实现方式中,选取模块84具体用于:
针对每项融合特征,计算该项融合特征的各SHAP值的绝对值的平均值,作为该项融合特征对于标签的重要性程度值。
在一种可能的实现方式中,检测模块85具体用于:
采用KS假设检验方法对各项差异判断特征进行差异性检测,得到各项差异判断特征的差异值;
若存在差异判断特征的差异值大于预设阈值,则判定数据漂移的检测结果为存在数据漂移。
在一种可能的实现方式中,差异值为P值,预设阈值为显著性水平。
本发明实施例使用无监督学习算法对神经网络模型进行训练,无需使用经过标注的训练数据,然后通过神经网络模型的中间层提取待检测数据的特征,能够对待检测数据进行降维和特征融合,增强了特征之间的影响关系,最后利用特征的重要性程度对特征进行筛选,减少了特征的规模。与传统的有监督漂移检测算法相比,本发明利用了神经网络模型的中间层进行特征提取,以及利用特征对预测结果的重要性确定重要特征,通过重要特征的分布变化判断当前的数据是否出现漂移,从而以较低的计算开销进行数据漂移检测,同时能够摆脱对真实标注的依赖。
图9是本发明实施例提供的终端的示意图。如图9所示,该实施例的终端9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个数据漂移的检测装置方法实施例中的步骤,例如图1所示的步骤101至步骤105。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块/单元81至85的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述终端9中的执行过程。例如,所述计算机程序92可以被分割成图8所示的模块/单元81至85。
所述终端9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端9可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端9的示例,并不构成对终端9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端9的内部存储单元,例如终端9的硬盘或内存。所述存储器91也可以是所述终端9的外部存储设备,例如所述终端9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述终端9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个数据漂移的检测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据漂移的检测方法,其特征在于,包括:
通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据;
通过所述训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;其中,所述神经网络模型包括输入层、隐含层和输出层,用于提取所述待检测数据的标签;
采用经过训练的神经网络模型的输入层和隐含层对所述待检测数据进行特征提取,得到所述待检测数据的多项融合特征的值;
选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;其中,k为预设值,m小于等于k;
对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
2.根据权利要求1所述的数据漂移的检测方法,其特征在于,在所述对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果之后,还包括:
若检测结果为未发生数据漂移,则在所述训练数据中随机剔除n条历史数据,并加入n条新的历史数据,得到更新后的训练数据,以及获取更新后的待检测数据;其中,n为预设值;
通过更新后的训练数据和无监督学习算法对神经网络模型进行训练,得到更新后的神经网络模型;
采用更新后的神经网络模型的输入层和隐含层对更新后的待检测数据进行特征提取,得到更新后的待检测数据的多项融合特征的值;
选取对于标签的重要性程度排名前m位的k项融合特征作为更新后的差异判断特征;
对各项更新后的差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
3.根据权利要求1所述的数据漂移的检测方法,其特征在于,在所述选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征之前,还包括:
针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值;
针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值;
按照重要性程度值从大到小的排序方式对各项融合特征进行排序。
4.根据权利要求3所述的数据漂移的检测方法,其特征在于,所述针对每条待检测数据,计算该条待检测数据的各项融合特征的SHAP值包括:
将该条待检测数据的各项融合特征的值输入解释模型,得到该条待检测数据的各项融合特征的SHAP值;其中,所述解释模型以融合特征的值为输入,以融合特征的SHAP值为输出。
5.根据权利要求3所述的数据漂移的检测方法,其特征在于,所述针对每项融合特征,基于该项融合特征的各SHAP值确定该项融合特征对于标签的重要性程度值包括:
针对每项融合特征,计算该项融合特征的各SHAP值的绝对值的平均值,作为该项融合特征对于标签的重要性程度值。
6.根据权利要求1所述的数据漂移的检测方法,其特征在于,所述对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果包括:
采用KS假设检验方法对各项差异判断特征进行差异性检测,得到各项差异判断特征的差异值;
若存在差异判断特征的差异值大于预设阈值,则判定数据漂移的检测结果为存在数据漂移。
7.根据权利要求6所述的数据漂移的检测方法,其特征在于,所述差异值为P值,所述预设阈值为显著性水平。
8.一种数据漂移的检测装置,其特征在于,包括:
获取模块,用于通过参考窗口在历史数据中选取训练数据,通过检测窗口在实时数据中选取待检测数据;
训练模块,用于通过所述训练数据和无监督学习算法对神经网络模型进行训练,得到经过训练的神经网络模型;其中,所述神经网络模型包括输入层、隐含层和输出层,用于提取所述待检测数据的标签;
提取模块,用于采用经过训练的神经网络模型的输入层和隐含层对所述待检测数据进行特征提取,得到所述待检测数据的多项融合特征的值;
选取模块,用于选取对于标签的重要性程度排名前m位的k项融合特征作为差异判断特征;其中,k为预设值,m小于等于k;
检测模块,用于对各项差异判断特征进行假设检验,并基于假设检验结果得到数据漂移的检测结果。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310425578.0A CN116451081A (zh) | 2023-04-20 | 2023-04-20 | 数据漂移的检测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310425578.0A CN116451081A (zh) | 2023-04-20 | 2023-04-20 | 数据漂移的检测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451081A true CN116451081A (zh) | 2023-07-18 |
Family
ID=87123452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310425578.0A Pending CN116451081A (zh) | 2023-04-20 | 2023-04-20 | 数据漂移的检测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451081A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805045A (zh) * | 2023-08-17 | 2023-09-26 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
CN118039176A (zh) * | 2024-03-05 | 2024-05-14 | 河北省儿童医院 | 细胞因子检测数据的处理方法、装置、终端及存储介质 |
-
2023
- 2023-04-20 CN CN202310425578.0A patent/CN116451081A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805045A (zh) * | 2023-08-17 | 2023-09-26 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
CN116805045B (zh) * | 2023-08-17 | 2024-01-23 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
CN118039176A (zh) * | 2024-03-05 | 2024-05-14 | 河北省儿童医院 | 细胞因子检测数据的处理方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN109242002A (zh) | 高维数据分类方法、装置及终端设备 | |
CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
EP4425376A1 (en) | Method and apparatus for searching for neural network ensemble model, and electronic device | |
CN112086144B (zh) | 分子生成方法、装置、电子设备及存储介质 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN115034315B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
US11829442B2 (en) | Methods and systems for efficient batch active learning of a deep neural network | |
CN111815627B (zh) | 遥感图像变化检测方法、模型训练方法及对应装置 | |
CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN117218408A (zh) | 基于因果纠偏学习的开放世界目标检测方法及装置 | |
Parker et al. | Nonlinear time series classification using bispectrum‐based deep convolutional neural networks | |
CN112906824B (zh) | 车辆聚类方法、系统、设备及存储介质 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
CN114154564A (zh) | 基于异质图的关联度确定方法、装置、电子设备及存储介质 | |
WO2022009013A1 (en) | Automated data linkages across datasets | |
CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 | |
CN112463964A (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN112433952A (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN117746266B (zh) | 一种基于半监督交互学习的树冠检测方法、装置及介质 | |
CN117011575B (zh) | 一种小样本目标检测模型的训练方法及相关装置 | |
CN117975204B (zh) | 一种模型训练方法、缺陷检测方法以及相关装置 | |
CN118537870A (zh) | 一种电商自动分类方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |