Fugu-MT 論文翻訳(概要): Unsupervised Concept Drift Detection based on Parallel Activations of Neural Network

論文の概要: Unsupervised Concept Drift Detection based on Parallel Activations of Neural Network

arxiv url: http://arxiv.org/abs/2404.07776v2
Date: Tue, 01 Oct 2024 07:04:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-02 16:32:04.579646
Title: Unsupervised Concept Drift Detection based on Parallel Activations of Neural Network
Title（参考訳）: ニューラルネットワークの並列活性化に基づく教師なし概念ドリフト検出
Authors: Joanna Komorniczak, Paweł Ksieniewicz,
Abstract要約: 本研究では、トレーニングされていないニューラルネットワークの出力を利用する、教師なし並列アクティベーションドリフト検出器を提案する。重要な設計要素、処理特性に関する直観、そして最先端の手法との競争性を実証するコンピュータ実験のプールを提示する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Practical applications of artificial intelligence increasingly often have to deal with the streaming properties of real data, which, considering the time factor, are subject to phenomena such as periodicity and more or less chaotic degeneration - resulting directly in the concept drifts. The modern concept drift detectors almost always assume immediate access to labels, which due to their cost, limited availability and possible delay has been shown to be unrealistic. This work proposes an unsupervised Parallel Activations Drift Detector, utilizing the outputs of an untrained neural network, presenting its key design elements, intuitions about processing properties, and a pool of computer experiments demonstrating its competitiveness with state-of-the-art methods.
Abstract（参考訳）: 人工知能の実践的応用は、時間要素を考慮すると、周期性や多かれ少なかれカオス的退化といった現象に直面する、実際のデータのストリーミング特性に対処しなければならないことが多い。現代のコンセプトドリフト検出器は、ほぼ常にラベルへの即時アクセスを前提としており、そのコスト、可用性の制限、遅延の可能性は非現実的であることが示されている。この研究は、訓練されていないニューラルネットワークの出力を利用して、その重要な設計要素、処理特性に関する直観、そして最先端の手法との競争性を実証するコンピュータ実験のプールを示す、教師なし並列活性化ドリフト検出器を提案する。

関連論文リスト

Unsupervised Concept Drift Detection from Deep Learning Representations in Real-time [5.999777817331315]
コンセプト・ドリフト(英: Concept Drift)は、対象領域の基本的なデータ分布と統計的性質が時間とともに変化する現象である。我々は、教師なしリアルタイム概念ドリフト検出フレームワークDriftLensを提案する。深層学習表現の分布距離を利用して非構造化データに作用する。
論文参考訳（メタデータ） (2024-06-24T23:41:46Z)
Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文参考訳（メタデータ） (2024-03-20T02:58:45Z)
Explaining Deep Neural Networks for Bearing Fault Detection with Vibration Concepts [23.027545485830032]
本稿では,振動信号に基づいて学習した深部ニューラルネットワークを用いた断層検出の文脈における概念に基づく説明手法の活用方法について検討する。振動概念の観点で不透明なモデルを説明することは、人間の理解しやすく直感的な内部動作の洞察を可能にすることを示す。
論文参考訳（メタデータ） (2023-10-17T17:58:19Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
Neuromorphic Optical Flow and Real-time Implementation with Event Cameras [47.11134388304464]
イベントベースのビジョンとスパイクニューラルネットワークの最新の開発の上に構築しています。我々は、最先端の自己監督型光フロー精度を向上させる新しいネットワークアーキテクチャを提案する。約2桁の複雑さで高速な光流予測を行う。
論文参考訳（メタデータ） (2023-04-14T14:03:35Z)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。 UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
論文参考訳（メタデータ） (2021-07-05T08:56:36Z)
Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
論文参考訳（メタデータ） (2021-06-15T17:45:32Z)
Continuity-Discrimination Convolutional Neural Network for Visual Object Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文参考訳（メタデータ） (2021-04-18T06:35:03Z)
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)
Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。