論文の概要: Distance Functions and Normalization Under Stream Scenarios

• arxiv url: http://arxiv.org/abs/2307.00106v1
• Date: Fri, 30 Jun 2023 19:46:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 18:00:46.073439
• Title: Distance Functions and Normalization Under Stream Scenarios
• Title（参考訳）: ストリームシナリオにおける距離関数と正規化
• Authors: Eduardo V. L. Barboza, Paulo R. Lisboa de Almeida, Alceu de Souza Britto Jr, Rafael M. O. Cruz
• Abstract要約: ストリーム全体を正規化していると考えるストリームの実験的プロトコルは非現実的であり、偏りと粗悪な結果をもたらす可能性があると論じる。 以上の結果から,正規化を行なわずに元のデータストリームとキャンベラ距離を併用することは,データストリームに関する情報が事前に分かっていない場合によい組み合わせであることが示唆された。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data normalization is an essential task when modeling a classification system. When dealing with data streams, data normalization becomes especially challenging since we may not know in advance the properties of the features, such as their minimum/maximum values, and these properties may change over time. We compare the accuracies generated by eight well-known distance functions in data streams without normalization, normalized considering the statistics of the first batch of data received, and considering the previous batch received. We argue that experimental protocols for streams that consider the full stream as normalized are unrealistic and can lead to biased and poor results. Our results indicate that using the original data stream without applying normalization, and the Canberra distance, can be a good combination when no information about the data stream is known beforehand.
• Abstract（参考訳）: データ正規化は、分類システムのモデリングにおいて不可欠なタスクである。 データストリームを扱う場合、最小/最大値などの機能の性質を事前に知ることができないため、データ正規化は特に困難になります。 我々は,データストリーム中の8つのよく知られた距離関数が正規化せずに生成した精度を比較し,受信したデータの最初のバッチの統計値と受信した前のバッチの統計値から正規化する。 完全ストリームを正規化と見なすストリームの実験的なプロトコルは非現実的であり、バイアスと貧弱な結果をもたらす可能性がある。 以上の結果から,正規化を行なわずに元のデータストリームとキャンベラ距離を併用することは,データストリームに関する情報が事前に分かっていない場合によい組み合わせであることが示唆された。

関連論文リスト

• Context Normalization Layer with Applications [0.1499944454332829]
  本研究では,画像データに対する文脈正規化と呼ばれる新しい正規化手法を提案する。 各サンプルの特性に基づいて特徴のスケーリングを調整し、モデルの収束速度と性能を改善する。 文脈正規化の有効性は様々なデータセットで示され、その性能は他の標準正規化手法と比較される。
  論文  参考訳（メタデータ） (2023-03-14T06:38:17Z)
• Positive Difference Distribution for Image Outlier Detection using Normalizing Flows and Contrastive Data [2.9005223064604078]
  例えば、標準的なログライクリーフトレーニングによる正規化フローは、外れ値スコアとして不十分である。 本稿では,外乱検出のための非ラベル付き補助データセットと確率的外乱スコアを提案する。 これは、分布内と対照的な特徴密度の間の正規化正の差を学ぶことと等価であることを示す。
  論文  参考訳（メタデータ） (2022-08-30T07:00:46Z)
• Perturbation Learning Based Anomaly Detection [19.41730292017383]
  主な考え方は、通常のデータを摂動するために小さな摂動を学習し、正規データと摂動データを2つの異なるクラスに分類するために分類器を学ぶことである。 摂動は可能な限り小さくなければならないが、分類器は摂動データから摂動データを認識することができる。 異常検出の最先端技術と比較すると,決定境界の形状に関する仮定は不要である。
  論文  参考訳（メタデータ） (2022-06-06T16:01:01Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• ALGAN: Anomaly Detection by Generating Pseudo Anomalous Data via Latent Variables [17.53032543377636]
  本稿では,GANジェネレータが偽アノマラスデータと偽正規データを生成する異常潜伏変数生成適応ネットワーク(ALGAN)を提案する。 提案した ALGAN は最先端の手法に匹敵する AUROC を示しながら予測時間を短縮した。
  論文  参考訳（メタデータ） (2022-02-21T14:53:05Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Driven Adaptive Prior [103.00403682863427]
  条件拡散モデルの効率を改善するために, PreGrad を提案する。 PriorGradはデータとパラメータの効率を向上し、品質を向上する。
  論文  参考訳（メタデータ） (2021-06-11T14:04:03Z)
• Deep Visual Anomaly detection with Negative Learning [18.79849041106952]
  本稿では、異常検出の強化に負の学習概念を用いる、負の学習を伴う異常検出(ADNL)を提案する。 その考え方は、与えられた少数の異常例を用いて生成モデルの再構成能力を制限することである。 このようにして、ネットワークは通常のデータを再構築することを学ぶだけでなく、異常の可能性のある分布から遠く離れた正規分布を囲む。
  論文  参考訳（メタデータ） (2021-05-24T01:48:44Z)
• Source-free Domain Adaptation via Distributional Alignment by Matching Batch Normalization Statistics [85.75352990739154]
  ソースフリー設定のための新しいドメイン適応手法を提案する。 未観測のソースデータの分布を近似するために,事前学習モデルに格納されたバッチ正規化統計を用いた。 本手法は最先端のドメイン適応手法で競合性能を実現する。
  論文  参考訳（メタデータ） (2021-01-19T14:22:33Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。