文献

J-GLOBAL ID：201702259762364470   整理番号：17A1351534

漸進的概念ドリフト適応のためのファジィ時間窓【Powered by NICT】

Fuzzy time windowing for gradual concept drift adaptation

著者 (3件)： Liu Anjin (Center for Artificial Intelligence, Faculty of Engineering and Information Technology, University of Technology Sydney, Sydney, Australia) ,  Zhang Guangquan (Center for Artificial Intelligence, Faculty of Engineering and Information Technology, University of Technology Sydney, Sydney, Australia) ,  Lu Jie (Center for Artificial Intelligence, Faculty of Engineering and Information Technology, University of Technology Sydney, Sydney, Australia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： FUZZ-IEEE  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 機械学習の目的は,歴史的データに隠れた洞察を見出し,次に将来のデータまたは傾向を予測に適用することである。機械学習アルゴリズムは,歴史的データと予測されるべきデータが同じ知識パターン(データ分布)に従うという仮定に基づいて,低い誤り率のための学習モデルを最適化した。しかし,歴史的データは十分ではない,または知識パターンが変化(データ不確実性)を維持するならば,この仮定は無効になるであろう。データストリームマイニングでは,知識パターン変化のこの現象は,概念ドリフトと呼ばれている。この問題を解決するために,新しいファジィウィンドウ概念ドリフト適応(FW DA)法を提案した。従来のウィンドウベースドリフト適応アルゴリズムと比較して,FWDAは重複期間を維持するため,スライディング窓を可能にすることにより高い精度を達成する異なる概念に属するデータインスタンスをより正確に決定することができる。さらに,FWDAは,近づきつつあるデータは一定の信頼レベルで推定した知識パターンに従うことを保証した。FWDAを評価するために,合成と実世界データセットを用いて四つの実験を行なった。実験結果はFWDAは最先端のドリフト適応法を含む他のウィンドウベース法の性能を上回ることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 学習モデル ,  機械学習 ,  最適化 ,  *ドリフト ,  学習アルゴリズム ,  *曖昧さ ,  誤り率
準シソーラス用語： 適応アルゴリズム ,  データ不確実性 ,  *時間窓 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 概念 ,  ドリフト ,  適応 ,  ファジィ ,  時間窓