論文の概要: Drift anticipation with forgetting to improve evolving fuzzy system
- arxiv url: http://arxiv.org/abs/2101.02442v1
- Date: Thu, 7 Jan 2021 09:21:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 13:45:35.262977
- Title: Drift anticipation with forgetting to improve evolving fuzzy system
- Title(参考訳): ファジィシステム改善のための忘れ込みによるドリフト予測
- Authors: Cl\'ement Leroy (INTUIDOC), Eric Anquetil (INTUIDOC), Nathalie Girard
(INTUIDOC)
- Abstract要約: 本稿では,Evolving Fuzzy Systemにおける忘れを一体化するコヒーレント手法を提案する。
この忘れは、前提部分の指数的忘れと、結論部分の遅れ方向の忘れの2つの方法によって適用される。
提案手法の評価は、ベンチマークオンラインデータセット上で実施される。
- 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: Working with a non-stationary stream of data requires for the analysis system
to evolve its model (the parameters as well as the structure) over time. In
particular, concept drifts can occur, which makes it necessary to forget
knowledge that has become obsolete. However, the forgetting is subjected to the
stability-plasticity dilemma, that is, increasing forgetting improve reactivity
of adapting to the new data while reducing the robustness of the system. Based
on a set of inference rules, Evolving Fuzzy Systems-EFS-have proven to be
effective in solving the data stream learning problem. However tackling the
stability-plasticity dilemma is still an open question. This paper proposes a
coherent method to integrate forgetting in Evolving Fuzzy System, based on the
recently introduced notion of concept drift anticipation. The forgetting is
applied with two methods: an exponential forgetting of the premise part and a
deferred directional forgetting of the conclusion part of EFS to preserve the
coherence between both parts. The originality of the approach consists in
applying the forgetting only in the anticipation module and in keeping the EFS
(called principal system) learned without any forgetting. Then, when a drift is
detected in the stream, a selection mechanism is proposed to replace the
obsolete parameters of the principal system with more suitable parameters of
the anticipation module. An evaluation of the proposed methods is carried out
on benchmark online datasets, with a comparison with state-of-the-art online
classifiers (Learn++.NSE, PENsemble, pclass) as well as with the original
system using different forgetting strategies.
- Abstract(参考訳): 非定常的なデータストリームを扱うためには、分析システムが時間とともにモデル(パラメータと構造)を進化させる必要がある。
特に、概念ドリフトが発生する可能性があるため、時代遅れになった知識を忘れる必要がある。
しかし, システムのロバスト性が低下する一方で, 新たなデータへの適応性が向上する, 安定性・塑性ジレンマが増大する。
一連の推論ルールに基づいて、Evolving Fuzzy Systems-EFS-は、データストリーム学習問題を解決するのに有効であることが証明されている。
しかし、安定性と可塑性のジレンマに取り組むことは、まだ未解決の問題である。
本稿では,最近導入された概念ドリフト予測に基づくファジィシステムにおける忘れ方を統合するコヒーレントな手法を提案する。
両部間のコヒーレンスを維持するために、前提部の指数的忘れと、EFSの結論部の遅延方向の忘れとの2つの方法を適用する。
このアプローチの独創性は、期待モジュールでのみ忘れることと、EFS(プリンシパルシステムと呼ばれる)が忘れることなく学習し続けることにある。
そして,流路内でドリフトが検出されると,予測モジュールのより適切なパラメータで主システムの古いパラメータを置き換える選択機構が提案される。
提案手法の評価は,最先端のオンライン分類器 (Learn++.NSE, PENsemble, pclass) と, 異なる忘れ方策を用いたオリジナルのシステムとの比較により, ベンチマークオンラインデータセット上で行った。
関連論文リスト
- Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Scaling Laws Beyond Backpropagation [64.0476282000118]
因果デコーダのみの変換器を効率的に訓練するための直接フィードバックアライメントの有効性について検討した。
DFAはバックプロパゲーションよりも効率的なスケーリングを提供していないことが分かりました。
論文 参考訳(メタデータ) (2022-10-26T10:09:14Z) - From Concept Drift to Model Degradation: An Overview on
Performance-Aware Drift Detectors [1.757501664210825]
予測機械学習モデルがトレーニングされたシステムの変化は、システムのライフサイクルにおけるパフォーマンス低下につながる可能性がある。
文献では、同じ種類のコンセプトドリフトと、様々な種類の同じ用語を指すために、異なる用語が用いられてきた。
この統一項の欠如は、異なる概念のドリフト変種を区別する上で混乱を引き起こす。
論文 参考訳(メタデータ) (2022-03-21T15:48:13Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Asynchronous Federated Learning for Sensor Data with Concept Drift [17.390098048134195]
フェデレートラーニング(FL)では、複数の分散デバイスが共有モデルを共同でトレーニングする。
以前のFLアプローチのほとんどは、トレーニングプロセス中にデバイス上のデータが固定され、静止していると仮定している。
コンセプトドリフトは、既存のデータと今後のデータの間に矛盾があるため、学習プロセスを複雑にします。
本稿では,ローカルデバイス上でのドリフトを検知し,対処するための新しいアプローチであるFedConDを提案する。
論文 参考訳(メタデータ) (2021-09-01T02:06:42Z) - Parsimony-Enhanced Sparse Bayesian Learning for Robust Discovery of
Partial Differential Equations [5.584060970507507]
Parsimony Enhanced Sparse Bayesian Learning (PeSBL) 法は非線形力学系の部分微分方程式 (PDE) を解析するために開発された。
数値ケーススタディの結果,多くの標準力学系のPDEをPeSBL法を用いて正確に同定できることが示唆された。
論文 参考訳(メタデータ) (2021-07-08T00:56:11Z) - Learning Parameter Distributions to Detect Concept Drift in Data Streams [13.20231558027132]
実コンセプトドリフト検出のための新しいフレームワークであるERICSを提案する。
予測モデルのパラメータをランダム変数として扱うことにより、最適パラメータの分布の変化に対応する概念ドリフトが示される。
ERICSはまた、既存のアプローチよりも大きな利点である入力レベルで概念ドリフトを検出することができる。
論文 参考訳(メタデータ) (2020-10-19T11:19:16Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳(メタデータ) (2020-06-11T16:36:31Z) - A First Principles Approach for Data-Efficient System Identification of
Spring-Rod Systems via Differentiable Physics Engines [10.226310620727942]
複雑なスプリングロッドアセンブリのシステム同定のための新しい微分可能な物理エンジンを提案する。
従来の物理エンジンと同様、動作の制御方程式の離散形式を用いて、エンジンの設計をモジュール化する。
副作用として、回帰パラメータは物理量に対応しており、パイプラインを説明可能である。
論文 参考訳(メタデータ) (2020-04-28T21:37:55Z) - Logarithmic Regret Bound in Partially Observable Linear Dynamical
Systems [91.43582419264763]
部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。
開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。
AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
論文 参考訳(メタデータ) (2020-03-25T06:00:33Z) - Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。
上記のプロパティをすべて享受する既存のメソッドはありません。
本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文 参考訳(メタデータ) (2020-02-25T15:12:15Z)
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。