漂移检测:引入高斯分割检测器
该论文提出了一种基于特征分类器的不依赖于数据分布或特定应用的无监督增量漂移检测算法,以实现在数据流中可靠地检测和适应概念漂移,并展示了在 6 个漂移诱导数据集和 4 个来自网络安全领域的附加数据集上的实验评估结果,表明该算法与无监督特征漂移检测器相比具有更少的误警,可以信任且适用性广泛。
Mar, 2017
使用基于生成对抗网络(GAN)的无监督方法检测概念漂移及其是否在过去发生,减少模型适应重复漂移所需的时间和数据。在大多数数据集中,我们的方法表现优于现有的最先进模型。我们还在天体物理学领域的真实应用案例中,比现有方法更好地检测了鞠躬冲击波和磁层边界的交叉现象。
Jul, 2024
基于 Neighbor-Searching Discrepancy 的新统计量,提出了一种能够高准确率检测真实概念漂移并忽略虚假漂移的方法,同时还能指示分类边界变化的方法。实验结果表明,该方法在不同分布和维度下具有鲁棒性,并且在漂移检测方面优于现有方法。
May, 2024
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
提出了一个机器学习和统计过程控制相结合的框架,用于监测临床设置中影响患者安全的数据漂移问题,并在放射学图像领域进行了实证研究,证明了该框架在不同任务中的有效性。
Feb, 2024
提出了一种利用现有领域知识嵌入核函数的新方法,以及一种基于滚动预测的离线在线监控器,用于使机器人在未知情况下使用基于学习的方法安全导航。数值结果表明,与标准的核函数选择相比,具有领域知识的核函数在小数据集上具有更好的回归质量。通过对一个室内设置中的四足机器人进行测试,演示了 OoD 监控器的有效性,可可靠地对以前未见的地形进行分类。
Sep, 2023
本文提出一种动态自适应阈值策略,同时考虑伪标签的质量和数量,并提出一种模块计算单级检测器的伪标签回归不确定性,仅使用来自 COCO 的 10%标记数据,我们的方法在基于锚点和无锚点的检测器(RetinaNet 和 FCOS)上实现了 35.0%AP 和 32.9%。
Apr, 2022
提出了 DriftLens,一种基于深度学习表示的无监督实时概念漂移检测框架,能够比以前的方法更好地检测漂移,在至少 11 个测试用例中运行速度至少快 5 倍,并且其检测到的漂移值与实际漂移量非常相关(相关性≥0.85),对参数变化具有鲁棒性。
Jun, 2024
文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法,称为 Generative Sparse Detection Network (GSDN),该方法将稀疏的数据集扩展成支持物体检测的密集数据,该方法在三个 3D 室内数据集上进行验证,取得了 7.14% 的相对改进,而且比最佳前期工作快了 3.78 倍。
Jun, 2020