論文の概要: Adaptive Deep Forest for Online Learning from Drifting Data Streams
- arxiv url: http://arxiv.org/abs/2010.07340v1
- Date: Wed, 14 Oct 2020 18:24:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 13:55:24.469086
- Title: Adaptive Deep Forest for Online Learning from Drifting Data Streams
- Title（参考訳）: ドリフトデータストリームからのオンライン学習のための適応的深い森
- Authors: {\L}ukasz Korycki, Bartosz Krawczyk
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.49323098362628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning from data streams is among the most vital fields of contemporary
data mining. The online analysis of information coming from those potentially
unbounded data sources allows for designing reactive up-to-date models capable
of adjusting themselves to continuous flows of data. While a plethora of
shallow methods have been proposed for simpler low-dimensional streaming
problems, almost none of them addressed the issue of learning from complex
contextual data, such as images or texts. The former is represented mainly by
adaptive decision trees that have been proven to be very efficient in streaming
scenarios. The latter has been predominantly addressed by offline deep
learning. In this work, we attempt to bridge the gap between these two worlds
and propose Adaptive Deep Forest (ADF) - a natural combination of the
successful tree-based streaming classifiers with deep forest, which represents
an interesting alternative idea for learning from contextual data. The
conducted experiments show that the deep forest approach can be effectively
transformed into an online algorithm, forming a model that outperforms all
state-of-the-art shallow adaptive classifiers, especially for high-dimensional
complex streams.
- Abstract（参考訳）: 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。
潜在的に非バウンドなデータソースから得られる情報をオンライン分析することで、データの継続的なフローに調整可能なリアクティブの最新モデルの設計が可能になる。
単純な低次元ストリーミング問題に対して、多くの浅い方法が提案されているが、画像やテキストといった複雑な文脈データから学ぶ問題には、ほとんど対処されていない。
前者は,ストリーミングシナリオにおいて非常に効率的であることが証明された適応決定木によって代表される。
後者は、主にオフラインのディープラーニングによって対処されている。
本研究では,これら2つの世界間のギャップを橋渡しし,適応型ディープフォレスト(adf)を提案する。これは,木ベースのストリーミング分類器とディープフォレストを自然に組み合わせたもので,文脈データから学ぶための興味深い代替案である。
実験により,ディープフォレストアプローチをオンラインアルゴリズムに効果的に変換できることが示され,特に高次元複雑ストリームに対して,最先端の浅層適応型分類器を上回るモデルを形成する。
関連論文リスト
- ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-16T21:51:04Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - On the challenges to learn from Natural Data Streams [6.602973237811197]
実世界のコンテキストでは、時にデータはNatural Data Streamsの形で利用することができる。
このデータ組織は、従来の機械学習アルゴリズムとディープラーニングアルゴリズムの両方にとって興味深い、かつ難しいシナリオである。
本稿では,自然データストリームの学習入力として受信する各種アルゴリズムの分類性能について検討する。
論文 参考訳（メタデータ） (2023-01-09T16:32:02Z) - Segmentation-guided Domain Adaptation for Efficient Depth Completion [3.441021278275805]
本稿では,vgg05型CNNアーキテクチャと半教師付きドメイン適応手法に基づく効率的な深度補完モデルを提案する。
空間的コヒーレンスを高めるため,情報ソースとしてセグメンテーションを用いた学習プロセスを導出する。
提案手法は,計算フットプリントを著しく低くしながら,従来手法の効率的かつ低パラメータ状態を改善する。
論文 参考訳（メタデータ） (2022-10-14T13:01:25Z) - GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D
LiDAR Segmentation [60.07812405063708]
3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。
文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。
本稿では,本研究分野における最先端技術について述べる。
論文 参考訳（メタデータ） (2022-07-20T09:06:07Z) - Bilevel Online Deep Learning in Non-stationary Environment [4.565872584112864]
Bilevel Online Deep Learning (BODL)フレームワークは、双方向最適化戦略とオンラインアンサンブル分類器を組み合わせたフレームワークである。
概念ドリフトが検出されると、BODLアルゴリズムはバイレベル最適化によりモデルパラメータを適応的に更新し、大きなドリフトを回避し、正の転送を促進する。
論文 参考訳（メタデータ） (2022-01-25T11:05:51Z) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳（メタデータ） (2021-11-26T11:58:51Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Online Feature Screening for Data Streams with Concept Drift [8.807587076209566]
本研究は分類データセットに焦点を当てる。
実験の結果,提案手法はオフライン版と同じ特徴を高速かつ少ないストレージで生成できることがわかった。
その結果, 統合モデル適応によるオンラインスクリーニング手法は, コンセプトドリフト特性を有するデータストリーム上でのモデル適応よりも, 真の特徴検出率が高いことがわかった。
論文 参考訳（メタデータ） (2021-04-07T03:16:15Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - Streaming Active Deep Forest for Evolving Data Stream Classification [9.273077240506016]
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。
論文 参考訳（メタデータ） (2020-02-26T22:00:39Z)
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。