論文の概要: An Evolving Population Approach to Data-Stream Classification with Extreme Verification Latency

• arxiv url: http://arxiv.org/abs/2312.14948v1
• Date: Thu, 7 Dec 2023 12:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:02:19.411286
• Title: An Evolving Population Approach to Data-Stream Classification with Extreme Verification Latency
• Title（参考訳）: 極端検証レイテンシを用いたデータストリーム分類への集団アプローチ
• Authors: Conor Fahy, Shengxiang Yang
• Abstract要約: 非定常的なデータストリームの変更を認識して反応することは、難しい課題です。 クラス毎に1クラス分類器のアンサンブルが維持される。 選択圧力は、アンサンブルがデータストリームの根底にある変化に適応するように強制する。
• 参考スコア（独自算出の注目度）: 3.276103303151645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognising and reacting to change in non-stationary data-streams is a challenging task. The majority of research in this area assumes that the true class label of incoming points are available, either at each time step or intermittently with some latency. In the worse case this latency approaches infinity and we can assume that no labels are available beyond the initial training set. When change is expected and no further training labels are provided the challenge of maintaining a high classification accuracy is very great. The challenge is to propagate the original training information through several timesteps, possibly indefinitely, while adapting to underlying change in the data-stream. In this paper we conduct an initial study into the effectiveness of using an evolving, population-based approach as the mechanism for adapting to change. An ensemble of one-class-classifiers is maintained for each class. Each classifier is considered as an agent in the sub-population and is subject to selection pressure to find interesting areas of the feature space. This selection pressure forces the ensemble to adapt to the underlying change in the data-stream.
• Abstract（参考訳）: 非定常データストリームの変更に対する認識と対応は、難しい課題です。 この領域の研究の大多数は、入射点の真のクラスラベルが、ステップごとに、あるいは一部のレイテンシーで断続的に利用可能であると仮定している。 さらに悪いことに、このレイテンシは無限に近づき、最初のトレーニングセット以外にラベルがないと仮定できます。 変更が期待され、さらなるトレーニングラベルが提供されない場合、高い分類精度を維持するという課題は非常に大きい。 課題は、データストリームの根底にある変更に適応しつつ、いくつかのタイムステップを通じて、オリジナルのトレーニング情報を伝達することである。 本稿では,進化する人口ベースのアプローチを変化への適応のメカニズムとして用いることの有効性に関する初期研究を行う。 各クラスごとに1クラス分類器のアンサンブルが維持される。 各分類器はサブポピュレーションのエージェントと見なされ、特徴空間の興味深い領域を見つけるために選択圧力を受ける。 この選択圧力により、アンサンブルはデータストリームの基盤となる変化に対応せざるを得なくなる。

関連論文リスト

• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-07T07:12:24Z)
• Channel-Selective Normalization for Label-Shift Robust Test-Time Adaptation [16.657929958093824]
  テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。 テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。 本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-02-07T15:41:01Z)
• Online Feature Updates Improve Online (Generalized) Label Shift Adaptation [51.328801874640675]
  オンライン特徴更新を用いたオンラインラベルシフト適応法(OLS-OFU)は,自己教師付き学習を利用して特徴抽出プロセスを洗練する。 アルゴリズムを慎重に設計することで、OLS-OFUは改善された特徴を考慮しつつ、文献の結果に類似したオンライン後悔の収束を維持している。
  論文  参考訳（メタデータ） (2024-02-05T22:03:25Z)
• COMET: Contrastive Mean Teacher for Online Source-Free Universal Domain Adaptation [3.5139431332194198]
  現実世界のアプリケーションでは、トレーニングからテストデータへのドメインシフトが頻繁に発生します。 本稿では,このシナリオに合わせたコントラスト的平均教師(COMET)を紹介する。 COMETは最先端のパフォーマンスをもたらし、さまざまなシナリオで一貫性と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-01-31T10:47:25Z)
• VIBE: Topic-Driven Temporal Adaptation for Twitter Classification [9.476760540618903]
  我々は、過去のデータに基づいてトレーニングされたモデルが将来テストされる時間適応について研究する。 我々のモデルは、わずか3%のデータしか持たないが、従来の最先端の継続的な事前学習方法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-10-16T08:53:57Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• Robust Classification under Class-Dependent Domain Shift [29.54336432319199]
  本稿では,クラス依存ドメインシフト(class-dependent domain shift)と呼ぶ,特別なタイプのデータセットシフトについて検討する。 入力データはラベルに依存し、データのシフトは既知の変数によって完全に説明され、シフトを制御する変数はラベルに依存することができ、ラベル分布にシフトはない。
  論文  参考訳（メタデータ） (2020-07-10T12:26:57Z)

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。

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。