Rychlé algoritmy pro adaptvní detekci novosti

Kód výsledku v 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>

Výsledek na webu

<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

—

Jazyk výsledku

čeština

Název v původním jazyce

Rychlé algoritmy pro adaptvní detekci novosti

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Fast algorithms for adaptive novelty detection

Popis výsledku anglicky

Adaptive algorithms are a popular tool for novelty detection because their ability to compensate some aspects of nonstationarity in data generating processes. Two adaptive algoritms (Learning Entropy, Error and Learning Based Novelty Detection) are compared in this study. Both adaptive novelty detection tools are tested with following learning algorithms: NLMS, NLMF, RLS and GNGD. The results of the experimental analysis reveals new insights in learning algorithm influence on final detection performance. A synthetic data with various levels of noise and concept drift were used for the experimental analysis.

Druh

O - Ostatní výsledky

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

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

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