面向低端边缘设备的设备学习顺序概念漂移检测方法
本文介绍了一种基于神经网络的设备本地 (on-device) 学习方法,该方法能够在低端设备上提高边缘人工智能 (Edge AI) 应用的精确度并节省计算和通信成本,特别是在有噪声的环境下重训练 (retraining) 后可显著提高异物检测 (anomaly detection) 的准确性。
Mar, 2022
人工智能的实际应用越来越经常需要处理实际数据的流式特性,考虑到时间因素,这些数据可能会受到周期性和更或多或少混乱的退化现象的影响,从而直接导致概念漂移。本研究提出了一种无监督的并行激活漂移检测器,利用未经训练的神经网络的输出,介绍了其关键设计要素、有关处理属性的直觉以及一系列计算机实验,证明了该方法与现有最先进方法的竞争力。
Apr, 2024
本文提出了一种概念漂移检测系统,利用联邦学习在每次迭代中提供的更新来缓解漂移对模型性能的影响,使用降维和聚类技术,实现了在智能交通系统中不同漂移阶段和系统暴露水平的各种非 iid 场景中检测漂移节点的框架。
Sep, 2021
提出了 ONLAD 与其 IP 核 ONLAD Core,并且将其优化到能够在一毫秒以内快速序列学习以跟随概念漂移,在边缘设备上进行低功耗的设备学习,从而实现了不需要边缘和服务器之间执行数据传输的独立执行。实验结果表明,ONLAD 具有优秀的异常检测能力,并且 ONLAD Core 的评估证实其训练延迟比其他软件实现快 1.95x 到 6.58x,PYNQ-Z1 板上实现的运行时功耗比它们低 5.0x 到 25.4x。
Jul, 2019
该研究通过比较基于错误率和数据分布的概念漂移检测器的性能,并评估它们在识别漂移时的可靠性,为实践者提供了指导建议和警报系统的适用性分析。
Nov, 2022
深度神经网络(DNNs)是最广泛使用的机器学习算法之一。本文关注集成私有 DNNs 的概念来检测概念漂移,并引入一种名为 IPDD 的集成方法,不需要标签即可检测漂移。实验证明该方法在隐私性和效用上具有可比性。
Jun, 2024
本文针对数据流中的概念漂移进行了相关研究,分析法检测,理解和适应等漂移技术的发展趋势,并建立了一个包含三个主要组件的漂移学习框架:概念漂移检测,概念漂移理解和概念漂移适应。同时,本文还列举和讨论了 10 个流行的合成数据集和 14 个公共基准数据集,以评估处理概念漂移的学习算法的性能,涵盖和讨论了概念漂移相关的研究方向。通过提供最新的知识,本综述将直接支持研究人员对概念漂移学习领域的研究发展的理解。
Apr, 2020
在线更新时间序列预测模型针对概念漂移通过基于流数据调整预测模型来解决挑战。我们提出了一种新颖的方法 D3A,首先检测概念漂移,然后在检测到漂移后积极调整当前模型以适应漂移的概念,从而快速适应。通过在现有的训练样例中引入高斯噪声的数据增强策略,我们提出了一种最大程度利用历史数据进行模型适应的方法。我们的实证研究跨越六个数据集,证明了 D3A 在提高模型适应能力方面的有效性。与简单的时间卷积网络(TCN)基准相比,D3A 将均方误差(MSE)平均降低了 43.9%。对于最先进的模型,MSE 降低了 33.3%。
Mar, 2024
通过对七种常用的概念漂移检测方法进行实验研究,我们的结果表明,根据能源效率和准确性的权衡考虑,概念漂移检测器可以分为三种类型:a) 以检测准确性为代价的能源效率检测器(KSWIN),b) 在能源消耗较低时具有较好准确性的平衡检测器(HDDM_W、ADWIN),c) 能源消耗极少但实际上不可用因为准确性太差的检测器(HDDM_A、PageHinkley、DDM、EDDM)。通过为这种能源效率策略提供充分的证据,我们的发现为 ML 从业者选择最适合其 ML-enabled 系统的概念漂移检测方法提供支持。
Apr, 2024