論文の概要: DynED: Dynamic Ensemble Diversification in Data Stream Classification
- arxiv url: http://arxiv.org/abs/2308.10807v2
- Date: Wed, 6 Sep 2023 14:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 18:26:40.630637
- Title: DynED: Dynamic Ensemble Diversification in Data Stream Classification
- Title（参考訳）: DynED: データストリーム分類における動的アンサンブルの多様性
- Authors: Soheil Abadifard, Sepehr Bakhshi, Sanaz Gheibuni, Fazli Can
- Abstract要約: MMR(Maximal Marginal Relevance)に基づく新しいアンサンブル構築とメンテナンス手法を提案する。
4つの実データと11つの合成データセットの実験結果から、提案手法は5つの最先端ベースラインと比較して平均平均精度が高いことが示された。
- 参考スコア（独自算出の注目度）: 2.990411348977783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensemble methods are commonly used in classification due to their remarkable
performance. Achieving high accuracy in a data stream environment is a
challenging task considering disruptive changes in the data distribution, also
known as concept drift. A greater diversity of ensemble components is known to
enhance prediction accuracy in such settings. Despite the diversity of
components within an ensemble, not all contribute as expected to its overall
performance. This necessitates a method for selecting components that exhibit
high performance and diversity. We present a novel ensemble construction and
maintenance approach based on MMR (Maximal Marginal Relevance) that dynamically
combines the diversity and prediction accuracy of components during the process
of structuring an ensemble. The experimental results on both four real and 11
synthetic datasets demonstrate that the proposed approach (DynED) provides a
higher average mean accuracy compared to the five state-of-the-art baselines.
- Abstract（参考訳）: アンサンブル法はその顕著な性能のために分類において一般的に使用される。
データストリーム環境で高い精度を達成することは、データ分散の破壊的な変化(コンセプトドリフトとも呼ばれる)を考慮すると難しい課題である。
このような設定で予測精度を高めるために、アンサンブルコンポーネントの多様化が知られている。
アンサンブル内のコンポーネントの多様性にもかかわらず、全体のパフォーマンスに期待通りに貢献できるわけではない。
これは、高い性能と多様性を示すコンポーネントを選択する方法を必要とする。
本稿では,アンサンブル構築過程におけるコンポーネントの多様性と予測精度を動的に組み合わせたmmr(maximal marginal associated)に基づく新しいアンサンブル構築・保守手法を提案する。
4つの実データと11の合成データセットによる実験結果から,提案手法(DynED)は5つの最先端ベースラインと比較して平均平均精度が高いことが示された。
関連論文リスト
- Understanding the Role of Functional Diversity in Weight-Ensembling with Ingredient Selection and Multidimensional Scaling [7.535219325248997]
性能力学と各手法が機能的に多様な要素をどう適用するかという特性を関連付けるために,2つの新しい重み認識手法を導入する。
そこで我々は,各アルゴリズムがペアワイズ距離で定義された様々な領域を探索し,選択とアルゴリズムの収束をさらに調査する可視化ツールを開発した。
論文 参考訳（メタデータ） (2024-09-04T00:24:57Z) - MDDD: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition [11.252832459891566]
動的分布を用いたマニフォールド型ドメイン適応法(MDDD)を提案する。
実験の結果,MDDDは従来の非深層学習法よりも優れ,平均3.54%の改善が達成された。
これは、MDDDが現実のシナリオにおけるABCIの有用性と適用性を高めるための有望な方法である可能性を示唆している。
論文 参考訳（メタデータ） (2024-04-24T03:08:25Z) - Imbalanced Data Stream Classification using Dynamic Ensemble Selection [0.0]
本研究では,データ前処理と動的アンサンブル選択を統合する新しいフレームワークを提案する。
提案手法は,不均衡比の異なる6つのデータストリームを用いて評価した。
実験結果によると、データ前処理とDynamic Ensemble Selection技術を組み合わせることで、精度が大幅に向上する。
論文 参考訳（メタデータ） (2023-09-17T06:51:29Z) - On the Trade-off of Intra-/Inter-class Diversity for Supervised
Pre-training [72.8087629914444]
教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。
トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
論文 参考訳（メタデータ） (2023-05-20T16:23:50Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Improving robustness and calibration in ensembles with diversity
regularization [1.069533806668766]
分布外サンプルを用いた分類タスクのための新しい多様性正規化器を提案する。
多様性の正規化は、キャリブレーションやロバストネス、アウト・オブ・ディストリビューション検出に重大な影響を与える可能性がある。
論文 参考訳（メタデータ） (2022-01-26T12:51:11Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - CoDA: Contrast-enhanced and Diversity-promoting Data Augmentation for
Natural Language Understanding [67.61357003974153]
我々はCoDAと呼ばれる新しいデータ拡張フレームワークを提案する。
CoDAは、複数の変換を有機的に統合することで、多種多様な情報付加例を合成する。
すべてのデータサンプルのグローバルな関係を捉えるために、対照的な正則化の目的を導入する。
論文 参考訳（メタデータ） (2020-10-16T23:57:03Z) - Neural Ensemble Search for Uncertainty Estimation and Dataset Shift [67.57720300323928]
ニューラルネットワークのアンサンブルは、データセットシフトに対する精度、不確実性キャリブレーション、堅牢性の観点から、スタンドアロンネットワークよりも優れたパフォーマンスを実現する。
本稿では,アンサンブルをアンサンブルで自動構築する2つの手法を提案する。
得られたアンサンブルは、精度だけでなく、不確実なキャリブレーションやデータセットシフトに対する堅牢性の観点からも、深いアンサンブルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-15T17:38:15Z) - Diverse Instances-Weighting Ensemble based on Region Drift Disagreement
for Concept Drift Adaptation [40.77597229122878]
本稿では,地域分布変化の確率にアンサンブルメンバーが同意するかどうかに基づく多様性測定を提案する。
多様なインスタンス重み付けアンサンブル(DiwE)と呼ばれるインスタンスベースのアンサンブル学習アルゴリズムは、データストリーム分類問題に対する概念ドリフトに対処するために開発された。
論文 参考訳（メタデータ） (2020-04-13T07:59:25Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。