論文の概要: Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets

• arxiv url: http://arxiv.org/abs/2011.02738v1
• Date: Thu, 5 Nov 2020 10:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 12:24:36.812784
• Title: Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets
• Title（参考訳）: Switching Scheme: 実世界のデータセットにおけるインクリメンタルコンセプトドリフト処理のための新しいアプローチ
• Authors: Lucas Baier, Vincent Kellner, Niklas K\"uhl, Gerhard Satzger
• Abstract要約: 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。
• 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 nowadays play a crucial role for many applications in business and industry. However, models only start adding value as soon as they are deployed into production. One challenge of deployed models is the effect of changing data over time, which is often described with the term concept drift. Due to their nature, concept drifts can severely affect the prediction performance of a machine learning system. In this work, we analyze the effects of concept drift in the context of a real-world data set. For efficient concept drift handling, we introduce the switching scheme which combines the two principles of retraining and updating of a machine learning model. Furthermore, we systematically analyze existing regular adaptation as well as triggered adaptation strategies. The switching scheme is instantiated on New York City taxi data, which is heavily influenced by changing demand patterns over time. We can show that the switching scheme outperforms all other baselines and delivers promising prediction results.
• Abstract（参考訳）: 近年、機械学習モデルは、ビジネスや産業における多くのアプリケーションにとって重要な役割を担っている。 しかし、モデルは本番環境にデプロイされるとすぐに価値を追加し始めます。 デプロイモデルの1つの課題は、時間とともにデータを変更することであり、コンセプトドリフト(concept drift)という用語でしばしば説明される。 その性質上、コンセプトドリフトは機械学習システムの予測性能に大き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。 効率的なドリフト処理のために,機械学習モデルのリトレーニングと更新の2つの原則を組み合わせたスイッチングスキームを導入する。 さらに,既存の適応を体系的に解析し,適応戦略を誘導する。 この切替方式はニューヨーク市のタクシーデータに基づいてインスタンス化されており、時間とともに需要パターンの変化の影響を強く受けている。 スイッチング方式は他の全てのベースラインよりも優れており、予測結果が期待できることを示すことができる。

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)
• Explaining Drift using Shapley Values [0.0]
  機械学習モデルは、トレーニングされていないデータよりも結果を予測するために使用されると、パフォーマンスが劣化することが多い。 モデルパフォーマンスにおけるドリフトの背後にあるドライバを特定するためのフレームワークはありません。 ドリフトの主なコントリビュータを特定するために,原理化されたシェープ値を用いたDBShapを提案する。
  論文  参考訳（メタデータ） (2024-01-18T07:07:42Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
  本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。 主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。 本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-06T02:24:41Z)
• On the Change of Decision Boundaries and Loss in Learning with 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。 ドリフトで学習するための多くの技術は、モデル一般化誤差を近似する量としてインターリーブテストトレイン誤差(ITTE)に依存している。
  論文  参考訳（メタデータ） (2022-12-02T14:58:13Z)
• 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)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Handling Concept Drift for Predictions in Business Process Mining [0.0]
  機械学習モデルは、コンセプトドリフト(concept drift)と呼ばれるデータストリームを経時的に変更することで、課題となる。 現在の研究では、モデルの再トレーニングのために選択すべきデータが推奨されていない。 概念ドリフトハンドリングにより0.5400から0.7010に精度を向上できることを示す。
  論文  参考訳（メタデータ） (2020-05-12T14:22:24Z)
• Handling Concept Drifts in Regression Problems -- the Error Intersection Approach [0.0]
  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。
  論文  参考訳（メタデータ） (2020-04-01T13:30:05Z)

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。