論文の概要: Handling Concept Drifts in Regression Problems -- the Error Intersection Approach

• arxiv url: http://arxiv.org/abs/2004.00438v1
• Date: Wed, 1 Apr 2020 13:30:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 17:59:59.267748
• Title: Handling Concept Drifts in Regression Problems -- the Error Intersection Approach
• Title（参考訳）: 回帰問題における概念ドリフトの扱い -- 誤差交叉アプローチ
• Authors: Lucas Baier (1), Marcel Hofmann (2), Niklas K\"uhl (1), Marisa Mohr (2 and 3) and Gerhard Satzger (1) ((1) Karlsruhe Institute of Technology, Karlsruhe, Germany, (2) inovex GmbH, Karlsruhe, Germany (3) University of L\"ubeck, L\"ubeck, Germany)
• Abstract要約: 本稿では,回帰タスクに対する単純な機械学習モデルと複雑な機械学習モデルの適用を切り替える戦略を提案する。 われわれは、ニューヨークにおけるタクシー需要の現実的なデータセットに対するアプローチをインスタンス化しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models are omnipresent for predictions on big data. One challenge of deployed models is the change of the data over time, a phenomenon called concept drift. If not handled correctly, a concept drift can lead to significant mispredictions. We explore a novel approach for concept drift handling, which depicts a strategy to switch between the application of simple and complex machine learning models for regression tasks. We assume that the approach plays out the individual strengths of each model, switching to the simpler model if a drift occurs and switching back to the complex model for typical situations. We instantiate the approach on a real-world data set of taxi demand in New York City, which is prone to multiple drifts, e.g. the weather phenomena of blizzards, resulting in a sudden decrease of taxi demand. We are able to show that our suggested approach outperforms all regarded baselines significantly.
• Abstract（参考訳）: 機械学習モデルは、ビッグデータの予測に最適である。 デプロイされたモデルの課題のひとつは、時間とともにデータを変更することだ。 正しく扱わなければ、概念のドリフトは重大な誤予測につながる可能性がある。 本稿では, 回帰タスクに対する単純な機械学習モデルと複雑な機械学習モデルの適用を切り替える戦略を記述した, コンセプトドリフトハンドリングのための新しいアプローチについて検討する。 提案手法は各モデルの個々の強みを生かし,ドリフトが発生するとより単純なモデルに切り換え,典型的な状況では複雑なモデルに切り換える。 ニューヨーク市のタクシー需要の現実的なデータセットに対するアプローチをインスタンス化し、ブリュザードの気象現象など複数のドリフトが発生しやすいため、突然タクシー需要が減少する。 提案したアプローチがベースラインを著しく上回ることを示すことができます。

関連論文リスト

• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• DriftGAN: Using historical data for Unsupervised Recurring Drift Detection [0.6358693097475243]
  実世界のアプリケーションでは、入力データ分布は、概念ドリフト(concept drift)として知られる現象として、一定期間にわたって静的であることが多い。 ほとんどの概念ドリフト検出方法は、概念ドリフトを検出し、モデルを再訓練する要求をシグナル伝達する。 本稿では,GAN(Generative Adversarial Networks)に基づく教師なしの手法を提案する。
  論文  参考訳（メタデータ） (2024-07-09T04:38:44Z)
• Humanoid Locomotion as Next Token Prediction [84.21335675130021]
  我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。 われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。 われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
  論文  参考訳（メタデータ） (2024-02-29T18:57:37Z)
• MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation [24.284969264008733]
  本稿では,データの周期性を考慮してドリフトを符号化するコンセプトドリフト問題に対する新しい都市時系列予測モデルを提案する。 我々の設計は最先端の手法よりも優れており、既存の予測バックボーンに十分に一般化することができる。
  論文  参考訳（メタデータ） (2023-09-25T15:22:28Z)
• Unsupervised Unlearning of Concept Drift with Autoencoders [5.41354952642957]
  コンセプトドリフトは、将来のサンプルのデータストリームに影響を与えるデータ分散の変化を指す。 本稿では,世界レベルでの教師なしおよびモデルに依存しないドリフト適応手法を提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:52:49Z)
• Autoregressive based Drift Detection Method [0.0]
  我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。 以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-09T14:36:16Z)
• Learning to Learn Transferable Attack [77.67399621530052]
  転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。 本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。 提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
  論文  参考訳（メタデータ） (2021-12-10T07:24:21Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets [0.0]
  概念ドリフトは、機械学習システムの予測性能に深刻な影響を与える可能性がある。 本研究では,実世界のデータセットの文脈における概念ドリフトの効果を分析する。 本稿では,機械学習モデルの再学習と更新の2つの原則を組み合わせたスイッチング方式を提案する。
  論文  参考訳（メタデータ） (2020-11-05T10:16:54Z)

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。