論文の概要: Learning under Concept Drift: A Review

• arxiv url: http://arxiv.org/abs/2004.05785v1
• Date: Mon, 13 Apr 2020 06:29:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 23:17:47.489315
• Title: Learning under Concept Drift: A Review
• Title（参考訳）: コンセプトドリフトによる学習 : レビュー
• Authors: Jie Lu, Anjin Liu, Fan Dong, Feng Gu, Joao Gama, Guangquan Zhang
• Abstract要約: コンセプトドリフトは、時間の経過とともにストリーミングデータの基盤となる分布に予期せぬ変化を記述している。 データ分析により、ドリフト環境における機械学習は、ドリフトに対処しなければ学習結果の低さをもたらすことが明らかになった。 本稿では, コンセプトドリフト関連研究分野における130以上の高品質出版物についてレビューする。 方法論や技法の最新の発展を分析し、概念の漂流下での学習の枠組みを確立する。
• 参考スコア（独自算出の注目度）: 33.941057801788865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept drift describes unforeseeable changes in the underlying distribution of streaming data over time. Concept drift research involves the development of methodologies and techniques for drift detection, understanding and adaptation. Data analysis has revealed that machine learning in a concept drift environment will result in poor learning results if the drift is not addressed. To help researchers identify which research topics are significant and how to apply related techniques in data analysis tasks, it is necessary that a high quality, instructive review of current research developments and trends in the concept drift field is conducted. In addition, due to the rapid development of concept drift in recent years, the methodologies of learning under concept drift have become noticeably systematic, unveiling a framework which has not been mentioned in literature. This paper reviews over 130 high quality publications in concept drift related research areas, analyzes up-to-date developments in methodologies and techniques, and establishes a framework of learning under concept drift including three main components: concept drift detection, concept drift understanding, and concept drift adaptation. This paper lists and discusses 10 popular synthetic datasets and 14 publicly available benchmark datasets used for evaluating the performance of learning algorithms aiming at handling concept drift. Also, concept drift related research directions are covered and discussed. By providing state-of-the-art knowledge, this survey will directly support researchers in their understanding of research developments in the field of learning under concept drift.
• Abstract（参考訳）: コンセプトドリフトは、時間とともにストリーミングデータの基盤となる分散が予期せぬ変化を記述している。 概念ドリフト研究はドリフトの検出、理解、適応のための方法論と手法の開発を含む。 データ分析により、ドリフト環境における機械学習は、ドリフトに対処しなければ学習結果の低さをもたらすことが明らかになった。 研究者は、どの研究トピックが重要か、データ分析タスクに関連技術を適用するかを特定するのに役立ち、現在の研究動向や概念ドリフト分野の傾向を、高品質で指導的なレビューを行う必要がある。 また、近年のコンセプトドリフトの急速な発展により、概念ドリフトによる学習の方法論が顕著に体系化され、文献に言及されていない枠組みが明らかになった。 本稿では,概念ドリフト関連研究分野における130以上の高品質な出版物をレビューし,方法論と手法の最新の展開を分析し,概念ドリフト検出,概念ドリフト理解,概念ドリフト適応という3つの主要コンポーネントを含む概念ドリフト下での学習の枠組みを確立する。 本稿では、概念ドリフト処理を目的とした学習アルゴリズムの性能評価に使用される10の一般的な合成データセットと14の公開ベンチマークデータセットをリストし、議論する。 また,コンセプトドリフト関連研究の方向性についても論じる。 最先端の知識を提供することで、この調査は、コンセプトドリフト下での学習分野の研究発展に関する研究者の理解を直接支援する。

関連論文リスト

• Methods for Generating Drift in Text Streams [49.3179290313959]
  コンセプトドリフトは、実世界のデータセットで頻繁に発生する現象であり、時間とともにデータ分布の変化に対応する。 本稿では,ラベル付きドリフトを用いたデータセット作成を容易にするための4つのテキストドリフト生成手法を提案する。 その結果、ドリフトの直後にすべてのメソッドのパフォーマンスが低下し、インクリメンタルなSVMは、以前のパフォーマンスレベルを実行し、回復するのに最も速いことを示している。
  論文  参考訳（メタデータ） (2024-03-18T23:48:33Z)
• Concept Drift Adaptation in Text Stream Mining Settings: A Systematic Review [46.543216927386005]
  本研究では,テキストストリームシナリオにおけるコンセプトドリフト適応に関する体系的な文献レビューを行う。 2018年から2024年8月にかけて,テキストドリフトカテゴリ,検出タイプ,モデル更新機構,ストリームマイニングタスクの対応,テキスト表現方法とその更新メカニズムなどの未解決の側面について,48の論文を選定した。
  論文  参考訳（メタデータ） (2023-12-05T17:15:16Z)
• A comprehensive analysis of concept drift locality in data streams [3.5897534810405403]
  概念ドリフトは、進化するデータ特性への効果的なモデル適応のために検出されなければならない。 本稿では,その局所性とスケールに基づいて,概念ドリフトの新たな分類法を提案する。 我々は, 様々な難易度において, 9つの最先端ドリフト検出器の比較評価を行った。
  論文  参考訳（メタデータ） (2023-11-10T20:57:43Z)
• Model Based Explanations of Concept Drift [8.686667049158476]
  概念ドリフト(concept drift)とは、観測データを生成する分布が時間とともに変化する現象を指す。 ドリフトが存在する場合、機械学習モデルは不正確になり、調整が必要である。 本稿では,空間的特徴の特徴的な変化の観点から,概念の漂流を特徴付ける新しい技術を提案する。
  論文  参考訳（メタデータ） (2023-03-16T14:03:56Z)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)
• Concept drift detection and adaptation for federated and continual learning [55.41644538483948]
  スマートデバイスは環境から大量のデータを収集することができる。 このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。 そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-27T17:01:58Z)
• Automatic Learning to Detect Concept Drift [40.69280758487987]
  誤り率の変化パターンを追跡し,コンセプトドリフトの分類を学習する新しいフレームワークであるMeta-ADDを提案する。 具体的には、トレーニングフェーズにおいて、様々なコンセプトドリフトの誤差率に基づいてメタ特徴を抽出し、その後、原型ニューラルネットワークを介してメタ検出装置を開発する。 検出フェーズでは、学習したメタ検出器が微調整され、ストリームベースのアクティブラーニングを介して対応するデータストリームに適応する。
  論文  参考訳（メタデータ） (2021-05-04T11:10:39Z)
• STUDD: A Student-Teacher Method for Unsupervised Concept Drift Detection [10.326887191803275]
  学生・教師の学習パラダイムに基づく新しい概念ドリフト検出手法を提案する。 実行時,新しいインスタンスの予測に教師を使い,概念ドリフト検出のために学生の損失を模倣するモニタリングを行う。 19データストリームを用いた一連の実験において,提案手法は概念の漂流を検知し,競争行動を示すことができることを示す。
  論文  参考訳（メタデータ） (2021-03-01T10:51:09Z)
• Video Summarization Using Deep Neural Networks: A Survey [72.98424352264904]
  ビデオ要約技術は、ビデオコンテンツの最も有益な部分を選択して、簡潔で完全なシノプシスを作成することを目指しています。 本研究は,この領域における最近の進歩に着目し,既存の深層学習に基づく総括的映像要約手法の包括的調査を行う。
  論文  参考訳（メタデータ） (2021-01-15T11:41:29Z)
• Counterfactual Explanations of Concept Drift [11.53362411363005]
  概念ドリフトとは、観測データの背後にある分布が時間とともに変化する現象を指す。 本稿では,典型的な例で表現される空間的特徴の特徴的変化の観点から,概念の漂流を特徴付ける新しい技術を提案する。
  論文  参考訳（メタデータ） (2020-06-23T08:27:57Z)

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。