論文の概要: Class Distribution Monitoring for Concept Drift Detection

• arxiv url: http://arxiv.org/abs/2210.08470v1
• Date: Sun, 16 Oct 2022 07:15:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 20:21:31.771493
• Title: Class Distribution Monitoring for Concept Drift Detection
• Title（参考訳）: 概念ドリフト検出のためのクラス分布モニタリング
• Authors: Diego Stucchi, Luca Frittoli, Giacomo Boracchi
• Abstract要約: クラス分散モニタリング(CDM)は、データストリームのクラス-条件分布を監視する効果的な概念-ドリフト検出方式である。 ドリフトの概念がいくつかのクラスに影響を与えると、CDMは全体のデータ分布を監視するアルゴリズムより優れていることを示す。 また,CDMが基礎となる変化検出器の特性を継承し,誤報前の期待時間に対して効果的な制御を行うことを示した。
• 参考スコア（独自算出の注目度）: 5.042611743157464
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce Class Distribution Monitoring (CDM), an effective concept-drift detection scheme that monitors the class-conditional distributions of a datastream. In particular, our solution leverages multiple instances of an online and nonparametric change-detection algorithm based on QuantTree. CDM reports a concept drift after detecting a distribution change in any class, thus identifying which classes are affected by the concept drift. This can be precious information for diagnostics and adaptation. Our experiments on synthetic and real-world datastreams show that when the concept drift affects a few classes, CDM outperforms algorithms monitoring the overall data distribution, while achieving similar detection delays when the drift affects all the classes. Moreover, CDM outperforms comparable approaches that monitor the classification error, particularly when the change is not very apparent. Finally, we demonstrate that CDM inherits the properties of the underlying change detector, yielding an effective control over the expected time before a false alarm, or Average Run Length (ARL$_0$).
• Abstract（参考訳）: 本稿では,データストリームのクラス条件分布をモニタする,効果的な概念ドリフト検出方式であるクラス分散モニタリング(CDM)を紹介する。 特に,quanttreeに基づくオンラインおよび非パラメトリックな変更検出アルゴリズムの複数のインスタンスを活用する。 cdmは、任意のクラスの分布変化を検知した後に、概念ドリフトを報告し、概念ドリフトによって影響を受けるクラスを特定する。 これは診断と適応のための貴重な情報である。 合成および実世界のデータストリーム実験により、ドリフトの概念がいくつかのクラスに影響を与える場合、CDMは、ドリフトが全てのクラスに影響を与える場合に同様の検出遅延を達成しつつ、全体のデータ分布を監視するアルゴリズムより優れることを示した。 さらにcdmは、特に変更があまり明らかでない場合には、分類エラーを監視するアプローチに匹敵する。 最後に,CDMが基礎となる変化検出器の特性を継承し,誤報前の期待時間,すなわち平均走行長(ARL$_0$)を効果的に制御できることを実証する。

関連論文リスト

• Efficient Distribution Matching of Representations via Noise-Injected Deep InfoMax [73.03684002513218]
  我々はDeep InfoMax(DIM)を拡張し、学習した表現を選択された事前分布に自動マッチングできるようにする。 このような修正により、一様かつ通常に分散した表現を学習できることを示す。 その結果,下流作業における性能とDMの品質の中間的なトレードオフが示唆された。
  論文  参考訳（メタデータ） (2024-10-09T15:40:04Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• ADPS: Asymmetric Distillation Post-Segmentation for Image Anomaly Detection [75.68023968735523]
  知識蒸留に基づく異常検出 (KDAD) 法は, 異常領域を検出し, セグメント化するために, 教師学生のパラダイムに頼っている。 非対称蒸留ポストセグメンテーション(ADPS)と呼ばれる革新的なアプローチを提案する。 我々のADPSは、教師-学生ネットワークの入力と同じイメージの異なる形態の非対称蒸留パラダイムを採用している。 ADPSは,MVTec ADとKolektorSDD2データセットで平均精度(AP)を9%,20%向上させることを示した。
  論文  参考訳（メタデータ） (2022-10-19T12:04:47Z)
• DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection [31.125812018296127]
  Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。 DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。 推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。 LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
  論文  参考訳（メタデータ） (2022-06-23T17:58:29Z)
• Precise Change Point Detection using Spectral Drift Detection [8.686667049158476]
  概念ドリフト(concept drift)とは、データ生成が時間とともに変化する現象を指し、結果として機械学習モデルが不正確になり、調整が必要になる可能性がある。 本稿では,教師なし学習における変化点検出の問題について考察する。 我々は、新しい教師なしドリフト検出アルゴリズムを導き、その数学的特性を調査し、いくつかの実験でその有用性を実証する。
  論文  参考訳（メタデータ） (2022-05-13T08:31:47Z)
• 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)
• Concept Drift Monitoring and Diagnostics of Supervised Learning Models via Score Vectors [2.7716102039510564]
  我々は,概念ドリフトの検出,監視,診断のための包括的かつ計算効率の高いフレームワークを開発した。 具体的には,適合モデルの対数類似度勾配として定義されるフィッシャースコアベクトルをモニターする。 一般的なエラーベース手法よりもパフォーマンス上のメリットは大きいが,従来は概念ドリフトモニタリングではスコアベースのアプローチが考慮されていなかった。
  論文  参考訳（メタデータ） (2020-12-12T22:52:45Z)
• CURIE: A Cellular Automaton for Concept Drift Detection [25.314158724575915]
  データストリームマイニングは、高速かつ連続的に流れる大量のデータから情報を抽出する。 これらはデータ分布の変化に影響され、概念ドリフト(concept drift)と呼ばれる現象が引き起こされる。 本研究では,セルオートマトンを利用したドリフト検出器CU RIEを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:28:21Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。