All

What are you looking for?

All
Projects
Results
Organizations

Quick search

  • Projects supported by TA ČR
  • Excellent projects
  • Projects with the highest public support
  • Current projects

Smart search

  • That is how I find a specific +word
  • That is how I leave the -word out of the results
  • “That is how I can find the whole phrase”

Fast algorithms for adaptive novelty detection

The result's identifiers

  • Result code in IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F18%3A00326879" target="_blank" >RIV/68407700:21220/18:00326879 - isvavai.cz</a>

  • Result on the web

    <a href="http://iat.fs.cvut.cz/nmp/2018.pdf" target="_blank" >http://iat.fs.cvut.cz/nmp/2018.pdf</a>

  • DOI - Digital Object Identifier

Alternative languages

  • Result language

    čeština

  • Original language name

    Rychlé algoritmy pro adaptvní detekci novosti

  • Original language description

    Adaptivní algoritmy pro detekci novosti v datech jsou populární nástroj díky své schopnosti kompenzovat některé aspekty nestacionarity data generujících procesů. V tomto článku jsou porovnány dva adaptivní algoritmy pro detekci novosti (Learning Entropy, Error and Learning Based Novelty Detection). Oba nástroje pro detekci novosti jsou testovány na následujících adaptivních algoritmech: NLMS, NLMF, RLS a GNGD. Výsledky experimentální analýzy přináší nové informace o vlivu učících algoritmů na přesnost detekce za použití jejich parametrů. Během experimentální analýzy byly použita syntetická data zatížená různou úrovní šumu a obsahující concept drift.

  • Czech name

    Rychlé algoritmy pro adaptvní detekci novosti

  • Czech description

    Adaptivní algoritmy pro detekci novosti v datech jsou populární nástroj díky své schopnosti kompenzovat některé aspekty nestacionarity data generujících procesů. V tomto článku jsou porovnány dva adaptivní algoritmy pro detekci novosti (Learning Entropy, Error and Learning Based Novelty Detection). Oba nástroje pro detekci novosti jsou testovány na následujících adaptivních algoritmech: NLMS, NLMF, RLS a GNGD. Výsledky experimentální analýzy přináší nové informace o vlivu učících algoritmů na přesnost detekce za použití jejich parametrů. Během experimentální analýzy byly použita syntetická data zatížená různou úrovní šumu a obsahující concept drift.

Classification

  • Type

    O - Miscellaneous

  • CEP classification

  • OECD FORD branch

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Result continuities

  • Project

  • Continuities

    S - Specificky vyzkum na vysokych skolach

Others

  • Publication year

    2018

  • Confidentiality

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů