Introduction to Extreme Seeking Entropy
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
J<sub>imp</sub> - 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)
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—