論文の概要: Unsupervised Frequent Pattern Mining for CEP

• arxiv url: http://arxiv.org/abs/2207.14017v1
• Date: Thu, 28 Jul 2022 11:24:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:46:24.915362
• Title: Unsupervised Frequent Pattern Mining for CEP
• Title（参考訳）: CEPのための教師なし周波数パターンマイニング
• Authors: Guy Shapira, Assaf Schuster
• Abstract要約: 複合イベント処理(CEP)は、大量のデータストリームから効率的な知識抽出を可能にする一連の手法である。 本稿では,CEPパターンのマイニングを目的とした新しい強化学習手法REDEEMERを提案する。
• 参考スコア（独自算出の注目度）: 7.843067454030997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex Event Processing (CEP) is a set of methods that allow efficient knowledge extraction from massive data streams using complex and highly descriptive patterns. Numerous applications, such as online finance, healthcare monitoring and fraud detection use CEP technologies to capture critical alerts, potential threats, or vital notifications in real time. As of today, in many fields, patterns are manually defined by human experts. However, desired patterns often contain convoluted relations that are difficult for humans to detect, and human expertise is scarce in many domains. We present REDEEMER (REinforcement baseD cEp pattErn MinER), a novel reinforcement and active learning approach aimed at mining CEP patterns that allow expansion of the knowledge extracted while reducing the human effort required. This approach includes a novel policy gradient method for vast multivariate spaces and a new way to combine reinforcement and active learning for CEP rule learning while minimizing the number of labels needed for training. REDEEMER aims to enable CEP integration in domains that could not utilize it before. To the best of our knowledge, REDEEMER is the first system that suggests new CEP rules that were not observed beforehand, and is the first method aimed for increasing pattern knowledge in fields where experts do not possess sufficient information required for CEP tools. Our experiments on diverse data-sets demonstrate that REDEEMER is able to extend pattern knowledge while outperforming several state-of-the-art reinforcement learning methods for pattern mining.
• Abstract（参考訳）: 複合イベント処理(complex event processing, cep)は、大規模データストリームから複雑な記述パターンを用いて効率的な知識抽出を可能にする一連の手法である。 オンラインファイナンスや医療監視,不正検出など,多数のアプリケーションがcepテクノロジを使用して,重要なアラートや潜在的な脅威,重要な通知をリアルタイムに捉える。 今日、多くの分野において、パターンは人間の専門家によって手動で定義されている。 しかし、望まれるパターンには、人間が検出しにくい複雑な関係が含まれており、多くの領域では人間の専門知識は乏しい。 本稿では,CEPパターンのマイニングを目的とした新しい強化学習手法であるREDEEMER(Reinforcement baseD cEp pattErn MinER)について述べる。 このアプローチには,多変量空間に対する新しいポリシー勾配法と,学習に必要なラベル数を最小化しつつ,CEPルール学習のための強化学習とアクティブラーニングを組み合わせる新しい方法が含まれる。 REDEEMERは、これまで利用できなかったドメインでのCEP統合を可能にすることを目的としている。 我々の知識を最大限に活用するために、REDEEMERは、事前に観察されなかった新しいCEPルールを提案する最初のシステムであり、専門家がCEPツールに必要な十分な情報を持っていない分野におけるパターン知識を高めるための最初の方法である。 多様なデータセットを用いた実験により,レディーマーはパターンマイニングに最先端の強化学習手法を駆使しながら,パターン知識を拡張できることが証明された。

関連論文リスト

• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
  Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。 知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。 また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• ContextGPT: Infusing LLMs Knowledge into Neuro-Symbolic Activity Recognition Models [0.3277163122167433]
  本研究では,人間活動に関する常識知識から抽出する新しいプロンプトエンジニアリング手法であるContextGPTを提案する。 2つの公開データセットで行った評価は、ContextGPTから常識知識を注入することで得られるNeSyモデルがデータ不足のシナリオにどのように有効であるかを示す。
  論文  参考訳（メタデータ） (2024-03-11T10:32:23Z)
• 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)
• Reinforcement Learning Based Multi-modal Feature Fusion Network for Novel Class Discovery [47.28191501836041]
  本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。 また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。 我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
  論文  参考訳（メタデータ） (2023-08-26T07:55:32Z)
• UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
  構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。 どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
  論文  参考訳（メタデータ） (2023-05-02T17:33:28Z)
• Robust Knowledge Adaptation for Federated Unsupervised Person ReID [14.861949635014449]
  Person ReIDは、異なる(クライアント)間で最小限の機密データを共有することを目指す Person ReID に対して FedUCC 学習法を提案する。 詳細は、ディープニューラルネットワークを用いて、汎用知識、専門知識、パッチ知識が発見される。
  論文  参考訳（メタデータ） (2023-01-18T05:46:48Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Knowledge-driven Active Learning [70.37119719069499]
  アクティブな学習戦略は、ディープラーニングモデルをトレーニングするために必要なラベル付きデータの量を最小限にすることを目的としている。 ほとんどの積極的な戦略は不確実なサンプルの選択に基づいており、しばしば決定境界に近いサンプルに制限される。 本稿では、一般的なドメイン知識を考慮し、エキスパートでないユーザがより少ないサンプルでモデルを訓練できるようにする。
  論文  参考訳（メタデータ） (2021-10-15T06:11:53Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)

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。