Jun, 2023

流式场景下的距离函数和归一化

PDF
TL;DR模型分类时数据归一化很重要，处理数据流的数据规范化尤其具有挑战性，本文比较了在数据流中应用 8 种距离函数的准确性，结果表明，在不进行规范化的情况下使用原始数据流和 Canberra 距离可获得良好的结果。
data normalizationclassification systemdata streamsdistance functionscanberra distance
发现论文，激发创造
  • 一种形式上健壮的时间序列距离度量

    本文提出了一种新的距离度量方法来解决时间序列数据在分类中被任意数据污染的鲁棒性问题，并在 k 近邻时间序列分类中得到了有竞争力的分类精度。

    Aug, 2020

  • 图像增强的投影分布损失

    本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

    Dec, 2020

  • 评估 k-NN 在带概念漂移的数据流分类中的应用

    研究比较不同算法对数据流分类的表现，提出 k-Nearest Neighbors 作为一种应对 concept drift 的可靠算法，并探讨了其时间复杂度和需要调整的参数 k 和 w。通过对比实验表明，k-NN 是一种值得采用的算法，能够在不太苛刻的时间约束下实现对数据流的分类。

    Oct, 2022

  • 数据流聚类：一篇综述

    该文综述了数据流聚类算法的基本概念和特点，对不同算法进行了对比分析，讨论了数据流聚类存在的问题和挑战。

    Jul, 2020

  • 基于真实数据的流式学习算法基准测试挑战

    本文提出了一个用于挑战流算法的公共数据存储库，其中包含来自文献的最受欢迎的数据集和与公共健康问题有关的新数据集，旨在缓解涉及流分类器和漂移检测器的实验性评估中的数据集选择问题，并对数据分布中不同类型变化及其导致的原因和问题进行了深入的讨论。

    Apr, 2020

  • 基于聚类的数据流分类框架

    本文提出了一种基于聚类的数据流分类框架，通过采用基于密度的流聚类算法，结合动态阈值和有效的主动标签查询策略，处理非平稳数据流，解决了标注的初始集问题和重叠类别之间的分类挑战。同时对聚类中的子簇结构进行探索，有效的解决了类别之间的重叠问题。实验结果和定量比较研究表明，该方法提供了比现有方法更好或可比较的性能。

    Jun, 2021

  • 使用数据流形上的标准化流进行外分布检测

    使用低维流形的测度和距离作为离群检测的标准，实验结果表明流形学习改善了归一化流这一类基于似然模型的离群检测能力，而无需修改模型结构或使用训练期间的辅助离群数据。

    Aug, 2023

  • 结构数据的距离和相似性函数概述

    本文主要综述了结构化表示形式下的距离函数 (或相似度函数) 在机器学习和人工智能中的应用，旨在为不同领域的研究提供参考和指明未来方向。

    Feb, 2020

  • 切割 - 瓦瑟斯坦标准化流：超越最大似然训练

    提出了一种基于 MLE 和 sliced-Wasserstein 距离的混合目标函数培训规范化流模型的方法，此方法在合成玩具示例和实际图像数据集上取得了更好的生成能力，通过该方法得到的规范化流模型具有更高的数据保真度，可更好地检测出分布之外的数据。

    Jul, 2022

  • 用于一致回归的正规流

    用标定的数据校准预测模型的不确定性，通过训练标定过程以实现区间的本地化，选择适当的距离度量代替标准预测误差，并通过训练来学习最优度量，从而充分应用于现有的局部适应性标定策略，适用于任何点预测模型。

    Jun, 2024