論文の概要: Diverse Instances-Weighting Ensemble based on Region Drift Disagreement for Concept Drift Adaptation

• arxiv url: http://arxiv.org/abs/2004.05810v1
• Date: Mon, 13 Apr 2020 07:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 23:16:49.357947
• Title: Diverse Instances-Weighting Ensemble based on Region Drift Disagreement for Concept Drift Adaptation
• Title（参考訳）: 概念ドリフト適応のための領域ドリフト分解に基づく多元多元重みアンサンブル
• Authors: Anjin Liu, Jie Lu, Guangquan Zhang
• Abstract要約: 本稿では,地域分布変化の確率にアンサンブルメンバーが同意するかどうかに基づく多様性測定を提案する。 多様なインスタンス重み付けアンサンブル(DiwE)と呼ばれるインスタンスベースのアンサンブル学習アルゴリズムは、データストリーム分類問題に対する概念ドリフトに対処するために開発された。
• 参考スコア（独自算出の注目度）: 40.77597229122878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept drift refers to changes in the distribution of underlying data and is an inherent property of evolving data streams. Ensemble learning, with dynamic classifiers, has proved to be an efficient method of handling concept drift. However, the best way to create and maintain ensemble diversity with evolving streams is still a challenging problem. In contrast to estimating diversity via inputs, outputs, or classifier parameters, we propose a diversity measurement based on whether the ensemble members agree on the probability of a regional distribution change. In our method, estimations over regional distribution changes are used as instance weights. Constructing different region sets through different schemes will lead to different drift estimation results, thereby creating diversity. The classifiers that disagree the most are selected to maximize diversity. Accordingly, an instance-based ensemble learning algorithm, called the diverse instance weighting ensemble (DiwE), is developed to address concept drift for data stream classification problems. Evaluations of various synthetic and real-world data stream benchmarks show the effectiveness and advantages of the proposed algorithm.
• Abstract（参考訳）: 概念ドリフトは、基盤となるデータの分布の変化を指し、進化するデータストリームの固有の特性である。 動的分類器を用いたアンサンブル学習は概念ドリフトの効率的な処理方法であることが証明された。 しかし、ストリームの進化とともにアンサンブルの多様性を作り維持する最善の方法は、依然として難しい問題である。 入力,出力,分類器パラメータを用いて多様性を推定するのとは対照的に,アンサンブルメンバーが地域分布変化の確率に一致しているかに基づいた多様性測定を提案する。 本手法では, 地域分布変化に対する推定を事例重みとして用いた。 異なるスキームを通して異なる領域セットを構築すると、ドリフト推定結果が異なる結果となり、ダイバーシティを生み出す。 多様性を最大化するために最も一致しない分類器が選択される。 そこで,データストリーム分類問題に対する概念ドリフトに対処するために,diwe(diversative instance weighting ensemble)と呼ばれるインスタンスベースアンサンブル学習アルゴリズムを開発した。 各種合成および実世界のデータストリームベンチマークの評価は,提案アルゴリズムの有効性と利点を示す。

関連論文リスト

• Classifier Clustering and Feature Alignment for Federated Learning under Distributed Concept Drift [5.566951183982973]
  本研究では、条件分布が$P(Y|X)$変化する実ドリフトに焦点を当てる。 分類器クラスタリングと機能アライメントを備えたフェデレート学習フレームワークであるFedCCFAを提案する。 以上の結果から,FedCCFAは様々なコンセプトドリフト環境下での既存手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-24T07:04:52Z)
• Proxy Methods for Domain Adaptation [78.03254010884783]
  プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。 両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T09:32:41Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Federated Variational Inference Methods for Structured Latent Variable Models [1.0312968200748118]
  フェデレートされた学習方法は、データが元の場所を離れることなく、分散データソースをまたいだモデルトレーニングを可能にする。 本稿では,ベイズ機械学習において広く用いられている構造的変分推論に基づく汎用的でエレガントな解を提案する。 また、標準FedAvgアルゴリズムに類似した通信効率のよい変種も提供する。
  論文  参考訳（メタデータ） (2023-02-07T08:35:04Z)
• Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• TDACNN: Target-domain-free Domain Adaptation Convolutional Neural Network for Drift Compensation in Gas Sensors [6.451060076703026]
  本稿では,ターゲットドメインレスドメイン適応畳み込みニューラルネットワーク(TDACNN)に基づくディープラーニングを提案する。 主な概念は、CNNがサンプルのドメイン固有の特徴を抽出するだけでなく、ソースドメインとターゲットドメインの両方の基礎となるドメイン不変の特徴も抽出することである。 異なる設定下でドリフトする2つのデータセットの実験は、いくつかの最先端手法と比較してTDACNNの優位性を示している。
  論文  参考訳（メタデータ） (2021-10-14T16:30:17Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)

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。