論文の概要: One or Two Things We know about Concept Drift -- A Survey on Monitoring
Evolving Environments
- arxiv url: http://arxiv.org/abs/2310.15826v1
- Date: Tue, 24 Oct 2023 13:25:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 18:41:23.926725
- Title: One or Two Things We know about Concept Drift -- A Survey on Monitoring
Evolving Environments
- Title(参考訳): コンセプトドリフトについて知っておくべきこと - 進化する環境のモニタリングに関するサーベイ
- Authors: Fabian Hinder and Valerie Vaquet and Barbara Hammer
- Abstract要約: 本稿では,教師なしデータストリームにおけるコンセプトドリフトに着目した文献レビューを行う。
この設定は、エンジニアリングにおける多くのタスクや課題に直接適用可能な監視と異常検出に特に関連している。
概念の漂流を説明するという,新たな話題に関するセクションがある。
- 参考スコア(独自算出の注目度): 7.0072935721154614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The world surrounding us is subject to constant change. These changes,
frequently described as concept drift, influence many industrial and technical
processes. As they can lead to malfunctions and other anomalous behavior, which
may be safety-critical in many scenarios, detecting and analyzing concept drift
is crucial. In this paper, we provide a literature review focusing on concept
drift in unsupervised data streams. While many surveys focus on supervised data
streams, so far, there is no work reviewing the unsupervised setting. However,
this setting is of particular relevance for monitoring and anomaly detection
which are directly applicable to many tasks and challenges in engineering. This
survey provides a taxonomy of existing work on drift detection. Besides, it
covers the current state of research on drift localization in a systematic way.
In addition to providing a systematic literature review, this work provides
precise mathematical definitions of the considered problems and contains
standardized experiments on parametric artificial datasets allowing for a
direct comparison of different strategies for detection and localization.
Thereby, the suitability of different schemes can be analyzed systematically
and guidelines for their usage in real-world scenarios can be provided.
Finally, there is a section on the emerging topic of explaining concept drift.
- Abstract(参考訳): 私たちを取り巻く世界は常に変化している。
これらの変化は、しばしば概念の漂流と表現され、多くの産業や技術プロセスに影響を及ぼす。
多くのシナリオでは安全性が重要であり、誤動作やその他の異常な行動につながる可能性があるため、概念ドリフトの検出と分析が不可欠である。
本稿では,教師なしデータストリームにおける概念ドリフトに着目した文献レビューを行う。
多くの調査は教師なしのデータストリームにフォーカスしているが、教師なしの設定をレビューする作業はない。
しかし、この設定はモニタリングや異常検出に特に関連しており、エンジニアリングにおける多くのタスクや課題に直接適用できる。
この調査は、ドリフト検出に関する既存の研究の分類を提供する。
さらに、ドリフトの局在に関する研究の現状を体系的な方法でカバーしている。
体系的な文献レビューの提供に加えて、本研究は、考慮された問題の正確な数学的定義を提供し、パラメトリックな人工データセットの標準化実験を含んでおり、検出とローカライゼーションの異なる戦略を直接比較することができる。
これにより、異なるスキームの適合性を系統的に分析し、実世界のシナリオで使用するためのガイドラインを提供できる。
最後に、概念ドリフトを説明するという新しいトピックのセクションがある。
関連論文リスト
- Concept Drift Adaptation in Text Stream Mining Settings: A Comprehensive
Review [49.3179290313959]
本研究は,テキストストリームシナリオにおけるコンセプトドリフト適応に関する体系的な文献レビューを行った。
我々は,テキストドリフトカテゴリ,テキストドリフト検出のタイプ,モデル更新機構,宛先ストリームマイニングタスク,テキスト表現の種類,テキスト表現更新機構などの未解決の側面について,40の論文を選択した。
論文 参考訳(メタデータ) (2023-12-05T17:15:16Z) - A comprehensive analysis of concept drift locality in data streams [3.5897534810405403]
概念ドリフトは、進化するデータ特性への効果的なモデル適応のために検出されなければならない。
本稿では,その局所性とスケールに基づいて,概念ドリフトの新たな分類法を提案する。
我々は, 様々な難易度において, 9つの最先端ドリフト検出器の比較評価を行った。
論文 参考訳(メタデータ) (2023-11-10T20:57:43Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳(メタデータ) (2023-10-03T10:10:42Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Are Concept Drift Detectors Reliable Alarming Systems? -- A Comparative
Study [6.7961908135481615]
コンセプトドリフト(concept drift)またはコンセプトドリフト(concept drift)は、機械学習モデルのパフォーマンスに影響を与える。
本研究では, ドリフト検出装置の信頼性を評価し, 時間内ドリフトの同定を行う。
本研究の目的は,ドリフト検出器がどの状況で使用されるべきかを,実践者が理解できるようにすることである。
論文 参考訳(メタデータ) (2022-11-23T16:31:15Z) - Detecting Concept Drift in the Presence of Sparsity -- A Case Study of
Automated Change Risk Assessment System [0.8021979227281782]
文学におけるテクスティットパリシティ(textitsparsity)と呼ばれる欠落値は、多くの実世界のデータセットの共通の特徴である。
本研究では,異なる種類の疎性に対する様々な統計およびMLに基づくデータ計算手法の欠落した値のパターンについて検討する。
次に、異なるメトリクスに基づいて、欠落した値を持つデータセットを与えられた最良のコンセプトドリフト検出器を選択する。
論文 参考訳(メタデータ) (2022-07-27T04:27:49Z) - From Concept Drift to Model Degradation: An Overview on
Performance-Aware Drift Detectors [1.757501664210825]
予測機械学習モデルがトレーニングされたシステムの変化は、システムのライフサイクルにおけるパフォーマンス低下につながる可能性がある。
文献では、同じ種類のコンセプトドリフトと、様々な種類の同じ用語を指すために、異なる用語が用いられてきた。
この統一項の欠如は、異なる概念のドリフト変種を区別する上で混乱を引き起こす。
論文 参考訳(メタデータ) (2022-03-21T15:48:13Z) - Suitability of Different Metric Choices for Concept Drift Detection [9.76294323004155]
ドリフト検出のための多くの教師なしのアプローチは、2つの時間窓のサンプル間の差を測定することに依存している。
ほとんどのドリフト検出法は、どの計量を使用するか、この計量がどのように推定されるか、どのように決定しきい値が見つかるかで区別できる。
我々は,異なる種類の推定器と測定器を理論的,実証的に比較し,単一の測定器の関連性について検討する。
論文 参考訳(メタデータ) (2022-02-19T01:11:32Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳(メタデータ) (2021-07-28T10:19:58Z) - From Simulation to Real World Maneuver Execution using Deep
Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。
これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。
本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文 参考訳(メタデータ) (2020-05-13T14:22:20Z) - Multi-Task Incremental Learning for Object Detection [71.57155077119839]
マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。
古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
論文 参考訳(メタデータ) (2020-02-13T04:58:37Z)
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。