引言
化学传感器阵列电子鼻在实验室仪器不切实际的情况下用于气体识别。UCI 漂移基准记录了传感器响应在时间顺序测量批次之间的变化,因此在较晚时期,使用早期样本训练的模型可能面临不同的响应分布 [1], [2]。UCI-270 还记录了浓度标签,这允许进行浓度分层诊断 [2]。这些记录支持时间顺序和批次感知评估;它们本身并不能将传感器老化与湿度、温度、背景干扰或其他现场条件隔离开来。
公共基准数据集允许研究人员在没有直接接触传感硬件的情况下比较电子鼻方法 [1], [2]。UCI 漂移记录保留了时间顺序批次结构,且 UCI-270 包含浓度标签以供诊断分析 [1], [2]。这些特性使得评估契约成为比较的一部分。在训练和测试之间混合早期和晚期样本会将前向迁移任务变为插值任务,并可能掩盖后期时期的性能损失。目标数据访问也区分了部署任务:转导对齐使用未标记的当前目标特征,而仅源自源的转换不使用这些特征进行拟合 [5], [6], [7]。使用已完成时期的标签重新拟合会改变可用的训练历史,因此冷迁移和滚动更新分数并不代表相同的信息预算。不均衡的类支持和浓度组成可能会进一步使汇总分数对哪些目标时期贡献最多样本变得敏感。弱基线或不匹配的调优策略可能会将增益归因于新表示,而这实际上是来自传统预处理或模型选择的结果。因此,可比较的排名需要明确的时间顺序、特征和标签访问权限、验证历史以及目标时期端点。
电子鼻的漂移补偿策略遵循了几个操作方向。代表性实现包括分类器集成 [3], [4]、分布和域适应方法 [5], [6], [7], [8], [9], [10], [11],以及面向神经和维护的漂移补偿模型 [12], [13], [14], [15]。转导对齐和域适应方法在部署期间使用未标记的目标域样本以减少源 - 目标不匹配,包括相关性对齐和开集扩展 [5], [6], [7]。非转导特征转换方法在分类之前重新设计输入表示,并且在推理时不需要目标特征 [8], [9], [10], [12]。许多方法使用仿射归一化、判别性降维或子空间迁移 [8], [9], [10]。第三类方法通过维护、重新校准和分类器更新将漂移视为操作控制问题 [4], [11], [14], [15]。因此,报告的性能取决于模型架构、目标数据访问权限、预处理和基准协议。
UCI 漂移数据集提供了一个计算测试平台,用于比较评估契约 [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [14], [15]。方法论问题在于,当分别声明和检查时间顺序、目标特征和标签访问权限、模型选择策略以及目标时期组成时,比较顺序是否持续存在。其贡献是一个可审计的评估契约和证据校准记录,而不是声称另一个预处理流水线普遍优越。路线 A-R 是一个固定的、非转导的预处理流水线,用作受控案例材料。在共享的 B 协议策略下,使用相同的网格和验证规则比较七个 RBF-SVM 预处理流水线。匹配的共同伽马控制组检查冷迁移和滚动更新下协议条件的顺序;完整的路线家族消融评估了 B2-B10 范围内的组件贡献;浓度分层诊断测试了合并分数是否掩盖了特定状态下的差异。配对的目标时期对比、类支持记录、依赖感知区间以及省略、调优和时间顺序检查决定了比较解释的强度。UCI-270 是焦点基准,UCI-224 提供探索性的同族背景。结论涉及所评估的契约和流水线,而不是传感器材料、设备制造或普遍的算法优越性。