Introduction to Extreme Seeking Entropy

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25530%2F20%3A39917014" target="_blank" >RIV/00216275:25530/20:39917014 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/60461373:22340/20:43919058

Výsledek na webu

<a href="https://www.mdpi.com/1099-4300/22/1/93" target="_blank" >https://www.mdpi.com/1099-4300/22/1/93</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3390/e22010093" target="_blank" >10.3390/e22010093</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Introduction to Extreme Seeking Entropy

Popis výsledku v původním jazyce

Recently, the concept of evaluating an unusually large learning effort of an adaptive system to detect novelties in the observed data was introduced. The present paper introduces a new measure of the learning effort of an adaptive system. The proposed method also uses adaptable parameters. Instead of a multi-scale enhanced approach, the generalized Pareto distribution is employed to estimate the probability of unusual updates, as well as for detecting novelties. This measure was successfully tested in various scenarios with (i) synthetic data, (ii) real time series datasets, and multiple adaptive filters and learning algorithms. The results of these experiments are presented.

Název v anglickém jazyce

Introduction to Extreme Seeking Entropy

Popis výsledku anglicky

Recently, the concept of evaluating an unusually large learning effort of an adaptive system to detect novelties in the observed data was introduced. The present paper introduces a new measure of the learning effort of an adaptive system. The proposed method also uses adaptable parameters. Instead of a multi-scale enhanced approach, the generalized Pareto distribution is employed to estimate the probability of unusual updates, as well as for detecting novelties. This measure was successfully tested in various scenarios with (i) synthetic data, (ii) real time series datasets, and multiple adaptive filters and learning algorithms. The results of these experiments are presented.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

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

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název periodika

Entropy

ISSN

1099-4300

e-ISSN

—

Svazek periodika

22

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

CH - Švýcarská konfederace

Počet stran výsledku

25

Strana od-do

—

Kód UT WoS článku

000516825400084

EID výsledku v databázi Scopus

—