Basic Evaluation Scenarios for Incrementally Trained Classifiers
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00336159" target="_blank" >RIV/68407700:21230/19:00336159 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-030-30484-3_41" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-030-30484-3_41</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-30484-3_41" target="_blank" >10.1007/978-3-030-30484-3_41</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Basic Evaluation Scenarios for Incrementally Trained Classifiers
Popis výsledku v původním jazyce
Evaluation of incremental classification algorithms is a complex task because there are many aspects to evaluate. Besides the aspects such as accuracy and generalization that are usually evaluated in the context of classification, we also need to assess how the algorithm handles two main challenges of the incremental learning: the concept drift and the catastrophic forgetting. However, only catastrophic forgetting is evaluated by the current methodology, where the classifier is evaluated in two scenarios for class addition and expansion. We generalize the methodology by proposing two new scenarios of incremental learning for class inclusion and separation that evaluate the handling of the concept drift. We demonstrate the proposed methodology on the evaluation of three different incremental classifiers, where we show that the proposed methodology provides a more complete and finer evaluation.
Název v anglickém jazyce
Basic Evaluation Scenarios for Incrementally Trained Classifiers
Popis výsledku anglicky
Evaluation of incremental classification algorithms is a complex task because there are many aspects to evaluate. Besides the aspects such as accuracy and generalization that are usually evaluated in the context of classification, we also need to assess how the algorithm handles two main challenges of the incremental learning: the concept drift and the catastrophic forgetting. However, only catastrophic forgetting is evaluated by the current methodology, where the classifier is evaluated in two scenarios for class addition and expansion. We generalize the methodology by proposing two new scenarios of incremental learning for class inclusion and separation that evaluate the handling of the concept drift. We demonstrate the proposed methodology on the evaluation of three different incremental classifiers, where we show that the proposed methodology provides a more complete and finer evaluation.
Klasifikace
Druh
D - Stať ve sborníku
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
<a href="/cs/project/GA18-18858S" target="_blank" >GA18-18858S: Metody kontinuálního učení řízení pohybu vícenohých kráčejích robotů v úlohách autonomního sběru dat</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Artificial Neural Networks and Machine Learning – ICANN 2019: Deep Learning
ISBN
978-3-030-30483-6
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
11
Strana od-do
507-517
Název nakladatele
Springer
Místo vydání
Basel
Místo konání akce
Munich
Datum konání akce
17. 9. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—