論文の概要: Streaming Active Deep Forest for Evolving Data Stream Classification

• arxiv url: http://arxiv.org/abs/2002.11816v1
• Date: Wed, 26 Feb 2020 22:00:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 14:24:14.415713
• Title: Streaming Active Deep Forest for Evolving Data Stream Classification
• Title（参考訳）: データストリーム分類を進化させるストリーミングアクティブディープフォレスト
• Authors: Anh Vu Luong, Tien Thanh Nguyen and Alan Wee-Chung Liew
• Abstract要約: ストリームディープフォレスト(Streaming Deep Forest, SDF)は、特にストリーム分類に適応した高性能なディープアンサンブル法である。 また、ストリーミング環境におけるラベリングコストを低減するために、Augmented Variable Uncertainty (AVU) 能動学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 9.273077240506016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Deep Neural Networks (DNNs) have gained progressive momentum in many areas of machine learning. The layer-by-layer process of DNNs has inspired the development of many deep models, including deep ensembles. The most notable deep ensemble-based model is Deep Forest, which can achieve highly competitive performance while having much fewer hyper-parameters comparing to DNNs. In spite of its huge success in the batch learning setting, no effort has been made to adapt Deep Forest to the context of evolving data streams. In this work, we introduce the Streaming Deep Forest (SDF) algorithm, a high-performance deep ensemble method specially adapted to stream classification. We also present the Augmented Variable Uncertainty (AVU) active learning strategy to reduce the labeling cost in the streaming context. We compare the proposed methods to state-of-the-art streaming algorithms in a wide range of datasets. The results show that by following the AVU active learning strategy, SDF with only 70\% of labeling budget significantly outperforms other methods trained with all instances.
• Abstract（参考訳）: 近年、Deep Neural Networks (DNN) は機械学習の多くの分野で進歩的な勢いを増している。 dnnの層別プロセスは、深層アンサンブルを含む多くの深層モデルの開発に影響を与えた。 最も注目すべき深層アンサンブルベースのモデルはディープフォレスト(英語版)であり、dnnに比べてハイパーパラメーターをはるかに少なくしながら高い競合性能を達成できる。 バッチ学習で大きな成功を収めたにも関わらず、deep forestを進化するデータストリームのコンテキストに適用する努力は行われていない。 本研究では,ストリーム分類に特化して適応した高性能深層アンサンブル法であるStreaming Deep Forest (SDF)アルゴリズムを提案する。 また,拡張可変不確実性(avu)アクティブラーニング戦略を導入し,ストリーミングコンテキストのラベリングコストを削減する。 提案手法と最先端のストリーミングアルゴリズムを幅広いデータセットで比較する。 その結果、AVUのアクティブラーニング戦略に従えば、ラベル付け予算の70%しか持たないSDFは、全てのインスタンスで訓練された他の手法よりも大幅に優れていた。

関連論文リスト

• Improve Deep Forest with Learnable Layerwise Augmentation Policy Schedule [22.968268349995853]
  本稿では,学習可能な階層的なデータ拡張ポリシを特徴とする最適化されたDeep Forestを提案する。 オーバフィッティングを緩和し,各層に対して拡張強度を調整するための集団探索アルゴリズムを開発するために,タブラルデータ用カットミックス(CMT)拡張技術を導入する。 実験の結果,本手法は様々な分類タスクに新たなSOTA(State-of-the-art)ベンチマークを設定し,浅い樹木のアンサンブル,深い森林,ディープニューラルネットワーク,AutoMLコンペティターを上回る結果を得た。
  論文  参考訳（メタデータ） (2023-09-16T15:54:25Z)
• Adaptive Growth: Real-time CNN Layer Expansion [0.0]
  本研究では,データ入力に基づいて,畳み込みニューラルネットワーク(CNN)の畳み込み層を動的に進化させるアルゴリズムを提案する。 厳密なアーキテクチャの代わりに、我々のアプローチはカーネルを畳み込み層に反復的に導入し、様々なデータに対してリアルタイムに応答する。 興味深いことに、我々の教師なしの手法は、さまざまなデータセットにまたがって教師なしの手法を上回った。
  論文  参考訳（メタデータ） (2023-09-06T14:43:58Z)
• NVDS+: Towards Efficient and Versatile Neural Stabilizer for Video Depth Estimation [58.21817572577012]
  ビデオ深度推定は時間的に一貫した深度を推定することを目的としている。 プラグ・アンド・プレイ方式で様々な単一画像モデルから推定される不整合深さを安定化するNVDS+を導入する。 このデータセットには、200万フレーム以上の14,203本のビデオが含まれている。
  論文  参考訳（メタデータ） (2023-07-17T17:57:01Z)
• Streaming Active Learning with Deep Neural Networks [44.50018541065145]
  ストリーミング設定において,ディープニューラルネットワークを用いたバッチアクティブ学習のための新しいアルゴリズムであるVeSSALを提案する。 VeSSALは、ラベルに遭遇した時点でクエリするポイントのグループをサンプリングする。 我々は、ディープニューラルネットワークの適用性を、現実的なアクティブな学習シナリオに拡張する。
  論文  参考訳（メタデータ） (2023-03-05T00:57:28Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Deep Transform and Metric Learning Networks [30.753361147185995]
  本稿では,リニア層とリカレントニューラルネットワークの組み合わせとして,各dl層を定式化し,解くことができる新しい深層dl手法を提案する。 ニューラル・ネットワークとディープ・DLの新たな知見を明らかにし、ディープ・トランスフォーメーションとメトリクスを共同学習する斬新で効率的で競争的なアプローチを提供します。
  論文  参考訳（メタデータ） (2021-04-21T03:10:15Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Deep Time Delay Neural Network for Speech Enhancement with Full Data Learning [60.20150317299749]
  本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。 トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T06:32:37Z)
• Adaptive Deep Forest for Online Learning from Drifting Data Streams [15.49323098362628]
  データストリームから学ぶことは、現代のデータマイニングにおいて最も重要な分野である。 本稿では,樹木をベースとしたストリーミング分類器と深い森林を自然に組み合わせたアダプティブ・ディープフォレスト(ADF)を提案する。 実験により,深い森林のアプローチを効果的にオンラインアルゴリズムに変換できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-14T18:24:17Z)
• Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
  RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。 本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T04:33:36Z)
• RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr [60.07531696857743]
  事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。 転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。 RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
  論文  参考訳（メタデータ） (2020-07-07T11:27:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。