Fugu-MT 論文翻訳(概要): Drift Estimation with Graphical Models

論文の概要: Drift Estimation with Graphical Models

arxiv url: http://arxiv.org/abs/2102.01458v1
Date: Tue, 2 Feb 2021 12:24:34 GMT
ステータス: 処理完了
システム内更新日: 2021-02-04 10:16:26.280824
Title: Drift Estimation with Graphical Models
Title（参考訳）: グラフィカルモデルによるドリフト推定
Authors: Luigi Riso and Marco Guerzoni
Abstract要約: グラフィカルモデルを用いて、データの可視構造を抽出し、隠れたコンテキストの変化から推測する。本研究は,オーストラリア電力市場における実世界データを用いた評価手法である。
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: This paper deals with the issue of concept drift in supervised machine learn-ing. We make use of graphical models to elicit the visible structure of the dataand we infer from there changes in the hidden context. Differently from previous concept-drift detection methods, this application does not depend on the supervised machine learning model in use for a specific target variable, but it tries to assess the concept drift as independent characteristic of the evolution of a dataset. Specifically, we investigate how a graphical model evolves by looking at the creation of new links and the disappearing of existing ones in different time periods. The paper suggests a method that highlights the changes and eventually produce a metric to evaluate the stability over time. The paper evaluate the method with real world data on the Australian Electric market.
Abstract（参考訳）: 本稿では,教師付き機械学習における概念ドリフトの問題を扱う。私たちはグラフィカルモデルを使ってデータの可視構造を解明し、隠れたコンテキストの変化から推測します。従来のコンセプトドリフト検出方法とは異なり、このアプリケーションは特定のターゲット変数で使用される教師付き機械学習モデルに依存しないが、データセットの進化の独立した特性として概念ドリフトを評価しようとする。具体的には、新しいリンクの作成と、異なる期間に既存のリンクの消失を見て、グラフィカルモデルがどのように進化するかを調べる。本稿は,変化を強調し,最終的に時間とともに安定性を評価する指標を提示する手法を提案する。本研究は,オーストラリア電力市場における実世界データを用いた評価手法である。

関連論文リスト

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
論文参考訳（メタデータ） (2024-07-01T16:32:15Z)
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)
Loss-Free Machine Unlearning [51.34904967046097]
我々は、再学習とラベルなしの両方の機械学習アプローチを提案する。 Retraining-freeアプローチは、損失から派生したFisher情報を利用することが多く、利用できないラベル付きデータを必要とする。本稿では,モデル出力のl2ノルムの勾配に対して,フィッシャー情報行列の対角線を近似感度に置き換えるSelective Synaptic Dampeningアルゴリズムの拡張を提案する。
論文参考訳（メタデータ） (2024-02-29T16:15:34Z)
Reliable and Interpretable Drift Detection in Streams of Short Texts [2.4603302139672008]
データドリフトは、機械学習モデルの性能劣化につながる重要な要因の1つだ。本稿では,大規模タスク指向対話システムにおけるモデルに依存しない変更点の検出と解釈のためのエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-28T15:14:54Z)
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)
Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。実装のさまざまな方法を示し、さまざまな問題について評価する。
論文参考訳（メタデータ） (2022-10-04T07:21:49Z)
Autoregressive based Drift Detection Method [0.0]
我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-03-09T14:36:16Z)
Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文参考訳（メタデータ） (2021-03-18T12:57:34Z)
Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets [0.0]
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。
論文参考訳（メタデータ） (2020-11-05T10:16:54Z)

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。