Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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