論文の概要: A Hybrid Active-Passive Approach to Imbalanced Nonstationary Data Stream Classification

• arxiv url: http://arxiv.org/abs/2210.04949v1
• Date: Mon, 10 Oct 2022 18:36:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:49:18.810563
• Title: A Hybrid Active-Passive Approach to Imbalanced Nonstationary Data Stream Classification
• Title（参考訳）: 不均衡非定常データストリーム分類に対するハイブリッドアクティブパッシブアプローチ
• Authors: Kleanthis Malialis and Manuel Roveri and Cesare Alippi and Christos G. Panayiotou and Marios M. Polycarpou
• Abstract要約: 現実世界のアプリケーションでは、データを生成するプロセスは非定常効果に悩まされる可能性がある。 これらの変化は、しばしばコンセプトドリフトと呼ばれ、訓練された学習モデルに深刻な(潜在的に破滅的な)影響をもたらす可能性がある。 本稿では,概念の漂流を追跡・適応できる機械学習モデルとディープラーニングモデルを設計することを目的とする。
• 参考スコア（独自算出の注目度）: 23.69287260989898
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In real-world applications, the process generating the data might suffer from nonstationary effects (e.g., due to seasonality, faults affecting sensors or actuators, and changes in the users' behaviour). These changes, often called concept drift, might induce severe (potentially catastrophic) impacts on trained learning models that become obsolete over time, and inadequate to solve the task at hand. Learning in presence of concept drift aims at designing machine and deep learning models that are able to track and adapt to concept drift. Typically, techniques to handle concept drift are either active or passive, and traditionally, these have been considered to be mutually exclusive. Active techniques use an explicit drift detection mechanism, and re-train the learning algorithm when concept drift is detected. Passive techniques use an implicit method to deal with drift, and continually update the model using incremental learning. Differently from what present in the literature, we propose a hybrid alternative which merges the two approaches, hence, leveraging on their advantages. The proposed method called Hybrid-Adaptive REBAlancing (HAREBA) significantly outperforms strong baselines and state-of-the-art methods in terms of learning quality and speed; we experiment how it is effective under severe class imbalance levels too.
• Abstract（参考訳）: 実世界のアプリケーションでは、データを生成するプロセスは非定常的な影響(例えば、季節性、センサやアクチュエータに影響を及ぼす故障、ユーザの行動の変化)に悩まされる可能性がある。 これらの変化は、しばしばコンセプトドリフトと呼ばれ、時間の経過とともに時代遅れになる訓練された学習モデルに深刻な(潜在的に破滅的な)影響をもたらす可能性がある。 コンセプトドリフトの存在下での学習は、コンセプトドリフトを追跡および適応可能な機械学習モデルとディープラーニングモデルの設計を目標とする。 通常、コンセプトドリフトを扱う技術はアクティブか受動的かのいずれかであり、伝統的にこれらは相互排他的と考えられてきた。 アクティブテクニックは明示的なドリフト検出機構を使用し、概念ドリフトの検出時に学習アルゴリズムを再訓練する。 受動的手法は暗黙の手法を使ってドリフトに対処し、漸進学習を用いてモデルを継続的に更新する。 文献上に存在するものとは違って,2つのアプローチをマージするハイブリッドな代替案を提案する。 提案手法であるhybrid-adaptive rebalancing (hareba) は,学習の質と速度において,強いベースラインと最先端の手法を著しく上回っている。

関連論文リスト

• Normalization and effective learning rates in reinforcement learning [52.59508428613934]
  正規化層は近年,深層強化学習と連続学習文学においてルネッサンスを経験している。 正規化は、ネットワークパラメータのノルムにおける成長と効果的な学習速度における崩壊の間の等価性という、微妙だが重要な副作用をもたらすことを示す。 そこで本研究では,正規化・プロジェクトと呼ぶ単純な再パラメータ化により,学習率を明示的にする手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T20:58:01Z)
• Fault detection in propulsion motors in the presence of concept drift [0.0]
  機械学習と統計的手法は、海洋システムにおける監視と故障予測を強化するために使用できる。 概念ドリフトと呼ばれる基盤システムの予期せぬ変化は、これらの手法の性能に影響を及ぼす可能性がある。 本研究では, コンセプトドリフト時の運転を成功させる水力推進電動機の固定子巻線における過熱検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T09:31:03Z)
• Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
  概念の漂流に適応することは、機械学習において難しい課題である。 通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。 本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
  論文  参考訳（メタデータ） (2024-04-08T08:47:46Z)
• 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)
• Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
  生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。 転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
  論文  参考訳（メタデータ） (2023-10-24T06:22:37Z)
• 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)
• 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)
• 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)
• Learning to Learn Transferable Attack [77.67399621530052]
  転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。 本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。 提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
  論文  参考訳（メタデータ） (2021-12-10T07:24:21Z)
• Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
  レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。 AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。 本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-21T14:49:00Z)
• Model-Based Meta-Reinforcement Learning for Flight with Suspended Payloads [69.21503033239985]
  吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。 接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:43:56Z)

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。