論文の概要: Concept Drift Visualization of SVM with Shifting Window

• arxiv url: http://arxiv.org/abs/2406.13754v1
• Date: Wed, 19 Jun 2024 18:12:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 18:35:22.132166
• Title: Concept Drift Visualization of SVM with Shifting Window
• Title（参考訳）: シフトウィンドウを用いたSVMの概念ドリフト可視化
• Authors: Honorius Galmeanu, Razvan Andonie,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In machine learning, concept drift is an evolution of information that invalidates the current data model. It happens when the statistical properties of the input data change over time in unforeseen ways. Concept drift detection is crucial when dealing with dynamically changing data. Its visualization can bring valuable insight into the data dynamics, especially for multidimensional data, and is related to visual knowledge discovery. We propose a novel visualization model based on parallel coordinates, denoted as parallel histograms through time. Our model represents histograms of feature distributions for successive time-shifted windows. The drift is shown as variations of these histograms, obtained by connecting the means of the distribution for successive time windows. We show how these diagrams can be used to explain the decision made by the machine learning model in choosing the drift point. By isolating the drift at the edges of successive time windows, there will be none (or reduced) drift within the adjacent windows. We illustrate this concept on both synthetic and real datasets. In our experiments, we use an incremental/decremental SVM with shifting window, introduced by us in previous work. With our proposed technique, in addition to detect the presence of concept drift, we can also depict it. This information can be further used to explain the change. mental results, opening the possibility for further investigations.
• Abstract（参考訳）: 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。 これは、入力データの統計的特性が、予期せぬ方法で時間とともに変化するときに起こる。 動的に変化するデータを扱う場合、概念ドリフト検出は不可欠である。 その視覚化は、特に多次元データにおいて、データダイナミクスに関する貴重な洞察をもたらし、視覚的知識発見と関連している。 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。 我々のモデルは連続した時間シフトウィンドウの特徴分布のヒストグラムを表す。 ドリフトはこれらのヒストグラムのバリエーションとして示され、連続した時間窓の分布手段を接続して得られる。 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。 連続した時間窓の端でドリフトを分離することで、隣接する窓にはドリフト(または縮小)は存在しない。 合成データセットと実データセットの両方でこの概念を説明する。 実験では、以前の作業で紹介したシフトウィンドウを備えたインクリメンタル/デクリメンタルなSVMを使用しました。 提案手法では,コンセプトドリフトの存在を検出することに加えて,それを表現できる。 この情報は、この変化を説明するためにさらに利用することができる。 精神的な結果 さらなる調査の可能性を 開こうとしています

関連論文リスト

• Exploring the Evolution of Hidden Activations with Live-Update Visualization [12.377279207342735]
  我々は、トレーニング中に隠された表現の進行を明らかにする自動化されたリアルタイム可視化ツールであるSentryCamを紹介した。 以上の結果から, この可視化は, 基礎的指標と比較して, 学習のダイナミクスをより包括的に把握できることが示唆された。 SentryCamは、タスク転送や破滅的な忘れなど、継続的な学習環境への詳細な分析を容易にすることができる。
  論文  参考訳（メタデータ） (2024-05-24T01:23:20Z)
• 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)
• Premonition: Using Generative Models to Preempt Future Data Changes in Continual Learning [63.850451635362425]
  継続的な学習には、データ分散の継続的な変化に対応するためのモデルが必要である。 本稿では,大規模言語モデルと画像生成モデルの組み合わせが有用であることを示す。 トレーニング済みネットワークのバックボーンは、下流の連続学習問題に有用な表現を学習できることがわかった。
  論文  参考訳（メタデータ） (2024-03-12T06:29:54Z)
• Cohere3D: Exploiting Temporal Coherence for Unsupervised Representation Learning of Vision-based Autonomous Driving [73.3702076688159]
  本稿では,コヒーレントなインスタンス表現を長期入力シーケンスで学習するための,新しいコントラスト学習アルゴリズムであるCohere3Dを提案する。 我々は,様々な下流認識,予測,計画タスクにおいて,事前学習したモデルを微調整することにより,アルゴリズムを評価する。
  論文  参考訳（メタデータ） (2024-02-23T19:43:01Z)
• A Remark on Concept Drift for Dependent Data [7.0072935721154614]
  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。
  論文  参考訳（メタデータ） (2023-12-15T21:11:46Z)
• 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)
• 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)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• Drift Estimation with Graphical Models [0.0]
  グラフィカルモデルを用いて、データの可視構造を抽出し、隠れたコンテキストの変化から推測する。 本研究は,オーストラリア電力市場における実世界データを用いた評価手法である。
  論文  参考訳（メタデータ） (2021-02-02T12:24:34Z)
• Deep Graph Convolutional Networks for Wind Speed Prediction [4.644923443649426]
  グラフ畳み込みネットワーク(GCN)に基づく風速予測の新しいモデルを紹介します。 デンマークとオランダの都市にある気象観測所から収集した実データを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-01-25T12:22:09Z)

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。