論文の概要: STUDD: A Student-Teacher Method for Unsupervised Concept Drift Detection
- arxiv url: http://arxiv.org/abs/2103.00903v1
- Date: Mon, 1 Mar 2021 10:51:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 13:08:39.064200
- Title: STUDD: A Student-Teacher Method for Unsupervised Concept Drift Detection
- Title(参考訳): STUDD:教師なし概念ドリフト検出のための学生-教師手法
- Authors: Vitor Cerqueira, Heitor Murilo Gomes, Albert Bifet, Luis Torgo
- Abstract要約: 学生・教師の学習パラダイムに基づく新しい概念ドリフト検出手法を提案する。
実行時,新しいインスタンスの予測に教師を使い,概念ドリフト検出のために学生の損失を模倣するモニタリングを行う。
19データストリームを用いた一連の実験において,提案手法は概念の漂流を検知し,競争行動を示すことができることを示す。
- 参考スコア(独自算出の注目度): 10.326887191803275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Concept drift detection is a crucial task in data stream evolving
environments. Most of state of the art approaches designed to tackle this
problem monitor the loss of predictive models. However, this approach falls
short in many real-world scenarios, where the true labels are not readily
available to compute the loss. In this context, there is increasing attention
to approaches that perform concept drift detection in an unsupervised manner,
i.e., without access to the true labels. We propose a novel approach to
unsupervised concept drift detection based on a student-teacher learning
paradigm. Essentially, we create an auxiliary model (student) to mimic the
behaviour of the primary model (teacher). At run-time, our approach is to use
the teacher for predicting new instances and monitoring the mimicking loss of
the student for concept drift detection. In a set of experiments using 19 data
streams, we show that the proposed approach can detect concept drift and
present a competitive behaviour relative to the state of the art approaches.
- Abstract(参考訳): 概念ドリフト検出は、データストリーム進化環境において重要なタスクである。
この問題に取り組むために設計された最先端のアプローチのほとんどは、予測モデルの損失を監視します。
しかし、このアプローチは、真のラベルが損失を計算するために容易に利用できない多くの現実世界のシナリオでは不足する。
この文脈では、真のラベルにアクセスすることなく、監視されていない方法でコンセプトドリフト検出を行うアプローチへの関心が高まっています。
本論文では,教師の学習パラダイムに基づく,教師なし概念ドリフト検出の新たなアプローチを提案する。
基本的には、一次モデル(教師)の振る舞いを模倣する補助モデル(学生)を作成します。
実行時,新しいインスタンスの予測に教師を使い,概念ドリフト検出のために学生の損失を模倣するモニタリングを行う。
19データストリームを用いた一連の実験において,提案手法は概念の漂流を検知し,芸術的アプローチの状況に対して競合的な振る舞いを示すことができることを示す。
関連論文リスト
- MORPH: Towards Automated Concept Drift Adaptation for Malware Detection [0.7499722271664147]
コンセプトドリフトはマルウェア検出にとって重要な課題である。
自己学習は、コンセプトドリフトを緩和するための有望なアプローチとして現れています。
擬似ラベルに基づく効果的なドリフト適応法であるMORPHを提案する。
論文 参考訳(メタデータ) (2024-01-23T14:25:43Z) - DriveAdapter: Breaking the Coupling Barrier of Perception and Planning
in End-to-End Autonomous Driving [64.57963116462757]
最先端の手法は通常、教師-学生のパラダイムに従う。
学生モデルは、生のセンサーデータのみにアクセスし、教師モデルによって収集されたデータに基づいて行動クローニングを行う。
本稿では,学生(知覚)と教師(計画)モジュール間の機能アライメント目的関数を持つアダプタを用いたDriveAdapterを提案する。
論文 参考訳(メタデータ) (2023-08-01T09:21:53Z) - When Measures are Unreliable: Imperceptible Adversarial Perturbations
toward Top-$k$ Multi-Label Learning [83.8758881342346]
新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。
大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
論文 参考訳(メタデータ) (2023-07-27T13:18:47Z) - 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) - 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) - Static-Dynamic Co-Teaching for Class-Incremental 3D Object Detection [71.18882803642526]
ディープラーニングアプローチは、3Dオブジェクト検出タスクにおいて顕著なパフォーマンスを示している。
古いデータを再考することなく、新しいクラスを漸進的に学習するときに、破滅的なパフォーマンス低下に悩まされる。
この「破滅的な忘れ物」現象は、現実世界のシナリオにおける3Dオブジェクト検出アプローチの展開を妨げる。
SDCoTは,新しい静的なコティーチング手法である。
論文 参考訳(メタデータ) (2021-12-14T09:03:41Z) - A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。
我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。
実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
論文 参考訳(メタデータ) (2021-08-05T15:58:25Z) - Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。
入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。
UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-05T08:56:36Z) - Concept drift detection and adaptation for federated and continual
learning [55.41644538483948]
スマートデバイスは環境から大量のデータを収集することができる。
このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。
そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-05-27T17:01:58Z) - Automatic Learning to Detect Concept Drift [40.69280758487987]
誤り率の変化パターンを追跡し,コンセプトドリフトの分類を学習する新しいフレームワークであるMeta-ADDを提案する。
具体的には、トレーニングフェーズにおいて、様々なコンセプトドリフトの誤差率に基づいてメタ特徴を抽出し、その後、原型ニューラルネットワークを介してメタ検出装置を開発する。
検出フェーズでは、学習したメタ検出器が微調整され、ストリームベースのアクティブラーニングを介して対応するデータストリームに適応する。
論文 参考訳(メタデータ) (2021-05-04T11:10:39Z) - Distilling Object Detectors with Task Adaptive Regularization [97.52935611385179]
現在の最先端のオブジェクト検出器は高い計算コストを犠牲にしており、ローエンドデバイスへのデプロイが困難である。
より大規模な教師モデルから知識を伝達することで、より小さな学生ネットワークを訓練することを目的とした知識蒸留は、モデル小型化のための有望な解決策の1つである。
論文 参考訳(メタデータ) (2020-06-23T15:58:22Z)
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。