Skip to content
検索結果に戻る

オンラインブースティング

提唱者
Oza, N. C. & Russell, S.
年
2001
種類
Online ensemble (incremental boosting)
系統
Machine learning

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

オンラインブースティングは、古典的なブースティングフレームワークをデータストリームに適応させ、データセット全体を保存することなく、弱学習器のアンサンブルを一度に1つの例で更新します。Oza-Russellの定式化は、ポアソンサンプリングされたインスタンス数を用いてAdaBoostのリウェイトを近似し、リアルタイムまたはリソースが制約された環境での正確で適応的な分類を可能にします。

手法の背後にある直感

バッチブースティングは、 successive learners が互いのエラーを修正するように訓練例のリウェイトを行いますが、これにはすべてのデータを一度に見る必要があります。オンラインブースティングは、明示的なリウェイトをポアソンサンプリングのトリックに置き換えます。到着した各例は弱学習器の連鎖に渡され、各学習器がその例を見る回数(実効重み)は、前の学習器が例を間違えたときにレートが上がり、正しく処理したときにレートが下がるポアソン分布からサンプリングされます。結果は、過去のデータを一度も再生することなく、AdaBoostの修正ダイナミクスを密接に模倣します。

歴史学

オンラインブースティングは、Nikunj OzaとStuart Russellによって2001年の論文「Online Bagging and Boosting」で形式化されました。この論文では、ポアソンサンプリングトリックがストリーミング設定におけるバッチAdaBoostの統計的に健全な近似を提供することが示されました。この研究は、FreundとSchapireのAdaBoost(1997)およびBreimanのバギング(1996)に基づいています。その後の研究では、概念ドリフト、多クラス問題、コストに敏感な学習を処理するためにアプローチが拡張され、オンラインブースティングはデータストリームマイニングの文献における標準的なツールとしての地位を確立しました。

使うべき場面

データが連続ストリームとして到着し、モデルが過去の例を再訪することなく段階的に更新する必要がある場合にオンラインブースティングを使用します。例えば、リアルタイム不正検出、ネットワーク侵入監視、センサーベース分類、またはデータセット全体を保存することが不可能なあらゆる設定です。ストリームに概念ドリフトがあり、適応的なリウェイトが有益な場合、単一のオンライン学習器やオンラインバギングよりも優れたパフォーマンスを発揮します。データセットが静的でメモリに収まる場合は使用しないでください。バッチ勾配ブースティング(XGBoost、LightGBM)はほぼ常に高い精度を生成します。また、ストリームに深刻で急激な概念ドリフトがある場合も避けてください。これは、基本的なオンラインブースティングに組み込まれていない明示的なドリフト検出リセットメカニズムを必要とする場合があります。

限界と注意点

  • ストリーム内のラベルノイズに敏感です。誤ったラベルはポアソンレートを増加させ、後続の学習器のエラーを増幅させるためです。
  • 明示的なドリフト検出メカニズムと組み合わせない限り、急激な概念ドリフトから自動的に回復しません。
  • バッチブースティングよりも弱学習器の多様性が低いです。過去の例を修正のために再生できないためです。
  • アンサンブルサイズMは初期化時に固定されます。ストリーム中に学習器を追加または削除するには、不安定性を避けるために注意が必要です。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 各例を正確に1回処理するため、高速度またはメモリ制約のあるデータストリームに適しています。
  • ブースティングの強いバイアス削減特性を継承しており、難しい分類タスクではオンラインバギングよりも優れたパフォーマンスを発揮することがよくあります。
  • 適応的なリウェイトにより、ストリームの初期部分によって導入されたエラーを後続の例で修正できます。
  • サンプル重みのハイパーパラメータチューニングは不要です。ポアソン近似は自己調整されます。
  • 段階的に更新可能な任意の弱学習器と互換性があり、モデル選択の柔軟性を提供します。

応用

  • トランザクションストリームにおけるリアルタイム不正および異常検出。
  • 継続的に到着するパケットレベルデータを使用したネットワーク侵入検出。
  • 製造業における高周波センサーからの予知保全。
  • 進化するスパマー戦術に段階的に適応する電子メールスパムフィルタリング。
  • オンライン広告プラットフォームにおけるクリック率予測。
  • 患者データが逐次的に到着し、モデル更新が即時である必要がある場合の医療モニタリング。

使い方

使い方

1

通常は浅い決定木またはスタンプであるM個の弱学習器の順序付けられたシーケンスは、等しいポアソンレートで初期化されます。各学習器は、重みαと、その寄与を推定するために使用される正誤の加重予測の累積カウントに関連付けられています。

2

新しいラベル付き例がストリームから到着します。履歴データは保存されず、アルゴリズムはそれを一度処理して次に進みます。この単一パス制約は、オンラインブースティングをバッチ対応物と区別する決定的な特徴です。

3

最初の学習器では、インスタンスはポアソン(1)からサンプリングされたk回複製されます。これは、バッチバギングにおける置換サンプリングを近似します。ポアソンレートλは連鎖を通じて伝播し、後続の各学習器に対するインスタンスの実効重みとして機能します。

数式
k \sim \text{Poisson}(\lambda),\; \lambda = 1 \text{ initially}
4

各弱学習器は、現在のポアソンレートに従ってk回複製されたインスタンスを使用して内部モデルを更新します。例えば、決定スタンプは分割閾値を段階的に更新します。その後、学習器はその例に対する二項予測を出力します。

5

現在の弱学習器がインスタンスを正しく分類した場合、次の学習器に渡されるポアソンレートは減少します(正しく処理されたケースの重み付けは不要です)。間違えた場合、レートは増加するため、次の学習器はこの難しい例により焦点を当てます。学習器の寄与重みαは、累積精度から更新されます。

数式
\lambda_{m+1} = \lambda_m \cdot \frac{e^{\pm \alpha_m}}{Z_m}
6

推論では、最終的な予測は、すべてのM個の弱学習器にわたる加重多数決であり、各投票は学習器のαによってスケーリングされます。これはAdaBoostの符号付き加重和を模倣し、クラスラベルに加えてキャリブレーションされた信頼性を提供します。

数式
\hat{y} = \operatorname{sign}\!\left(\sum_{m=1}^{M} \alpha_m h_m(x)\right)

よくある落とし穴

  • オンラインブースティングとバッチブースティングを混同し、静的データセットで同等の精度を期待すること。可能な場合はバッチ手法を使用してください。
  • ラベルノイズの無視。ノイズの多いストリームは、ブースティングがハード(おそらく誤ってラベル付けされた)例の影響を増幅するため、オンラインバギングよりもオンラインブースティングを急速に劣化させます。
  • M(弱学習器の数)を小さすぎると選択し、チューニングせずにパフォーマンスの低下を受け入れること。
  • 概念ドリフトの監視を怠り、分布の仮定がシフトしたモデルに依存し続けること。
  • 瞬間的な精度のみを報告すること。逐次評価(テスト後学習)ではなく、これは劣化をマスクする可能性があります。

よくある質問

オンラインブースティングはバッチAdaBoostとどのように異なりますか?

バッチAdaBoostは、複数回のパスでサンプリング確率を再スケーリングすることによって訓練例のリウェイトを行います。オンラインブースティングは、各到着例を弱学習器の連鎖に渡して、各学習器が例を見る回数を制御するポアソンレートを調整することによってこれを近似します。履歴データを保存したり再生したりすることはありません。

弱学習器Mはいくつ使用すべきですか?

浅いスタンプや小さな木の場合、Mの値は10から50の間が一般的です。学習器が多いほどバイアスは減少しますが、推論レイテンシは増加します。デプロイ前に代表的なデータスライスで逐次評価を使用してMをチューニングしてください。

オンラインブースティングは概念ドリフトに対してロバストですか?

基本的なオンラインブースティングは、概念ドリフトを明示的に検出または応答しません。ドリフトするストリームの場合、ドリフトが検出されたときにアンサンブルの部分的または完全なリセットをトリガーするADWINまたはDDMなどのドリフト検出アルゴリズムと組み合わせて使用してください。

いつオンラインバギングをオンラインブースティングよりも優先すべきですか?

ストリームに重大なラベルノイズが含まれている場合、オンラインバギングは、ブースティングのようにハード(おそらく誤ってラベル付けされた)例の影響を増幅しないため、よりロバストです。ストリームが比較的クリーンで、最大の精度が必要な場合は、オンラインブースティングが優先されます。

ストリーミングモデルを個別のテストセットなしで評価できますか?

はい。逐次評価(テスト後学習)を使用します。各到着例をモデルを更新する前に予測し、これらの予測を累積して実行精度またはF1を計算します。これにより、保持データなしでバイアスのないパフォーマンス推定値が得られます。

関連する手法

参考文献

  1. Oza, N. C., & Russell, S. (2001). Online Bagging and Boosting. In Artificial Intelligence and Statistics 2001 (pp. 105–112). Morgan Kaufmann.

    出版物の文献を開く
    コピーしました。
  2. Online machine learning. Wikipedia.

    出版物の文献を開く
    コピーしました。