論文の概要: A comprehensive analysis of concept drift locality in data streams
- arxiv url: http://arxiv.org/abs/2311.06396v2
- Date: Sat, 9 Dec 2023 15:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 01:12:08.960659
- Title: A comprehensive analysis of concept drift locality in data streams
- Title(参考訳): データストリームにおけるコンセプトドリフト局所性の包括的解析
- Authors: Gabriel J. Aguiar and Alberto Cano
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.5897534810405403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adapting to drifting data streams is a significant challenge in online
learning. Concept drift must be detected for effective model adaptation to
evolving data properties. Concept drift can impact the data distribution
entirely or partially, which makes it difficult for drift detectors to
accurately identify the concept drift. Despite the numerous concept drift
detectors in the literature, standardized procedures and benchmarks for
comprehensive evaluation considering the locality of the drift are lacking. We
present a novel categorization of concept drift based on its locality and
scale. A systematic approach leads to a set of 2,760 benchmark problems,
reflecting various difficulty levels following our proposed categorization. We
conduct a comparative assessment of 9 state-of-the-art drift detectors across
diverse difficulties, highlighting their strengths and weaknesses for future
research. We examine how drift locality influences the classifier performance
and propose strategies for different drift categories to minimize the recovery
time. Lastly, we provide lessons learned and recommendations for future concept
drift research. Our benchmark data streams and experiments are publicly
available at https://github.com/gabrieljaguiar/locality-concept-drift.
- Abstract(参考訳): 漂流するデータストリームへの適応は、オンライン学習の大きな課題である。
進化するデータプロパティへの効果的なモデル適応のために、概念ドリフトを検出する必要がある。
コンセプトドリフトは完全にまたは部分的にデータ分布に影響を与える可能性があるため、ドリフト検出器がコンセプトドリフトを正確に識別することは困難である。
文献における多くのコンセプトドリフト検出器にもかかわらず、ドリフトの局所性を考慮した包括的な評価のための標準化された手順とベンチマークは欠落している。
本稿では,概念ドリフトの局所性とスケールに基づく新しい分類法を提案する。
体系的なアプローチでは,2,760個のベンチマーク問題が発生し,提案する分類の難易度レベルを反映している。
我々は,様々な困難にまたがる9種類のドリフト検出器の比較評価を行い,今後の研究における強みと弱みについて考察した。
ドリフト局所性が分類器の性能にどのように影響するかを検証し,回復時間を最小化するためのドリフトカテゴリの戦略を提案する。
最後に,将来のドリフト研究の教訓と推奨について述べる。
ベンチマークデータストリームと実験はhttps://github.com/gabrieljaguiar/locality-concept-driftで公開しています。
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) - 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) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳(メタデータ) (2022-07-21T12:03:02Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Concept drift detection and adaptation for federated and continual
learning [55.41644538483948]
スマートデバイスは環境から大量のデータを収集することができる。
このデータは機械学習モデルのトレーニングに適しており、その振る舞いを大幅に改善することができる。
そこで本研究では,Concept-Drift-Aware Federated Averagingと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-05-27T17:01:58Z) - 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) - Adversarial Concept Drift Detection under Poisoning Attacks for Robust
Data Stream Mining [15.49323098362628]
本稿では,敵対的攻撃と毒殺攻撃の存在下でのロバストな概念ドリフト検出のための枠組みを提案する。
本稿では,2種類の逆流の概念と,頑健な訓練可能なドリフト検出器の分類について紹介する。
また,ロバストネスの相対損失 (Relative Loss of Robustness) についても紹介する。
論文 参考訳(メタデータ) (2020-09-20T18:46:31Z) - Learning under Concept Drift: A Review [33.941057801788865]
コンセプトドリフトは、時間の経過とともにストリーミングデータの基盤となる分布に予期せぬ変化を記述している。
データ分析により、ドリフト環境における機械学習は、ドリフトに対処しなければ学習結果の低さをもたらすことが明らかになった。
本稿では, コンセプトドリフト関連研究分野における130以上の高品質出版物についてレビューする。
方法論や技法の最新の発展を分析し、概念の漂流下での学習の枠組みを確立する。
論文 参考訳(メタデータ) (2020-04-13T06:29:56Z)
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。