摘要：
概念漂移检测对于维护在动态现实环境中部署的机器学习系统的可靠性至关重要。漂移检测器在监控流式分类任务中变得越来越重要，因为模型必须适应不断演变的数据。这些检测器必须同时保持计算效率和准确性。本文介绍了ECDD-CL（一种基于指数加权移动平均的谨慎学习概念漂移检测方法）。该方法通过引入有保证的控制系统性能和谨慎的参数更新方案，显著降低了误报率——这是传统检测器的主要局限性之一。所提出的方法在合成数据和真实数据集上进行了评估，并与基线KNN和NB分类器、标准ECDD以及漂移检测方法（DDM）进行了比较。仿真结果表明，ECDD-CL在保持竞争力的准确性的同时，大幅降低了误报率，为在演变的数据流中实现可靠的漂移检测提供了一个稳定且计算效率高的框架。
