Fugu-MT 論文翻訳(概要): A Remark on Concept Drift for Dependent Data

論文の概要: A Remark on Concept Drift for Dependent Data

arxiv url: http://arxiv.org/abs/2312.10212v1
Date: Fri, 15 Dec 2023 21:11:46 GMT
ステータス: 処理完了
システム内更新日: 2023-12-19 18:03:13.377013
Title: A Remark on Concept Drift for Dependent Data
Title（参考訳）: 依存データの概念ドリフトに関する一考察
Authors: Fabian Hinder, Valerie Vaquet, Barbara Hammer
Abstract要約: 時間的依存関係がサンプリングプロセスに強く影響していることを示す。特に、この設定には定常性の概念が適さないことを示し、代替案について議論する。
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: Concept drift, i.e., the change of the data generating distribution, can render machine learning models inaccurate. Several works address the phenomenon of concept drift in the streaming context usually assuming that consecutive data points are independent of each other. To generalize to dependent data, many authors link the notion of concept drift to time series. In this work, we show that the temporal dependencies are strongly influencing the sampling process. Thus, the used definitions need major modifications. In particular, we show that the notion of stationarity is not suited for this setup and discuss alternatives. We demonstrate that these alternative formal notions describe the observable learning behavior in numerical experiments.
Abstract（参考訳）: 概念ドリフト、すなわちデータ生成分布の変化は、機械学習モデルを不正確なものにすることができる。ストリーミングコンテキストにおける概念ドリフトの現象を扱ういくつかの研究は、連続したデータポイントが互いに独立していると仮定している。依存データに一般化するために、多くの著者は概念ドリフトの概念を時系列にリンクしている。本研究では,時間依存性がサンプリングプロセスに強く影響していることを示す。したがって、使用済みの定義には大きな変更が必要である。特に、この設定には定常性の概念が適さないことを示し、代替案について議論する。これらの代替形式的概念が数値実験における観測可能な学習行動を記述することを実証する。

関連論文リスト

Online Drift Detection with Maximum Concept Discrepancy [13.48123472458282]
最大概念差に基づく新しい概念ドリフト検出手法であるMDD-DDを提案する。本手法は,概念埋め込みのコントラスト学習により,様々な形態のコンセプトドリフトを適応的に同定することができる。
論文参考訳（メタデータ） (2024-07-07T13:57:50Z)
Concept Drift Visualization of SVM with Shifting Window [0.0]
機械学習において、概念ドリフト(英: concept drift)とは、現在のデータモデルを無効化する情報の進化である。本稿では,並列座標に基づく新しい可視化モデルを提案する。これらの図は、ドリフトポイントを選択する際に、機械学習モデルによってなされた決定を説明するためにどのように使用できるかを示す。
論文参考訳（メタデータ） (2024-06-19T18:12:02Z)
Methods for Generating Drift in Text Streams [49.3179290313959]
コンセプトドリフトは、実世界のデータセットで頻繁に発生する現象であり、時間とともにデータ分布の変化に対応する。本稿では,ラベル付きドリフトを用いたデータセット作成を容易にするための4つのテキストドリフト生成手法を提案する。その結果、ドリフトの直後にすべてのメソッドのパフォーマンスが低下し、インクリメンタルなSVMは、以前のパフォーマンスレベルを実行し、回復するのに最も速いことを示している。
論文参考訳（メタデータ） (2024-03-18T23:48:33Z)
Explaining Drift using Shapley Values [0.0]
機械学習モデルは、トレーニングされていないデータよりも結果を予測するために使用されると、パフォーマンスが劣化することが多い。モデルパフォーマンスにおけるドリフトの背後にあるドライバを特定するためのフレームワークはありません。ドリフトの主なコントリビュータを特定するために,原理化されたシェープ値を用いたDBShapを提案する。
論文参考訳（メタデータ） (2024-01-18T07:07:42Z)
ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文参考訳（メタデータ） (2023-04-07T15:17:48Z)
Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
論文参考訳（メタデータ） (2023-02-17T18:45:04Z)
Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
論文参考訳（メタデータ） (2022-09-06T18:38:34Z)
Deep learning model solves change point detection for multiple change types [69.77452691994712]
変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
論文参考訳（メタデータ） (2022-04-15T09:44:21Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Learning Parameter Distributions to Detect Concept Drift in Data Streams [13.20231558027132]
実コンセプトドリフト検出のための新しいフレームワークであるERICSを提案する。予測モデルのパラメータをランダム変数として扱うことにより、最適パラメータの分布の変化に対応する概念ドリフトが示される。 ERICSはまた、既存のアプローチよりも大きな利点である入力レベルで概念ドリフトを検出することができる。
論文参考訳（メタデータ） (2020-10-19T11:19:16Z)
Counterfactual Explanations of Concept Drift [11.53362411363005]
概念ドリフトとは、観測データの背後にある分布が時間とともに変化する現象を指す。本稿では,典型的な例で表現される空間的特徴の特徴的変化の観点から,概念の漂流を特徴付ける新しい技術を提案する。
論文参考訳（メタデータ） (2020-06-23T08:27:57Z)

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。