BELS: A broad ensemble learning system for data stream classification
BELS: Veri akışı sınıflandırması için geniş bir topluluk öğrenim sistemi
- Tez No: 708876
- Danışmanlar: PROF. DR. FAZLI CAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Veri akışı sınıflandırması, zamansal verilerdeki artış nedeniyle önemli bir araştırma konusu haline gelmiştir. Kavram kaymaları, veri akışı sınıflandırmasındaki en önemli sorunlardan biridir ve veri akışının istatistiki özelliklerinin zamanla değişmesi olarak tanımlanabilir. Verilerin zamanla değişmesi, statik tahmin modellerinin işlevsizleşmesine neden olur. Daha sağlam ve başarılı modeller geliştirmek için kavram kaymasına uyum sağlayabilen modeller gereklidir. Geniş Öğrenme Sistemi (BLS), artımlı öğrenme için yakın zamanda geliştirilen etkili bir geniş nöral mimaridir. BLS, büyük veri yığınları gerektirmesi nedeniyle kavram kaymalarını anlık tanımlamada ve uyum sağlamada başarısızdır. Bu çalışmada, kavram kaymalarına uyum sağlayabilen bir akış sınıflandırması için Geniş Topluluk Öğrenme Sistemi'ini (BELS) öneriyoruz. BELS, BLS'nin limitasyonlarını dinamik bir çıktı topluluğu katmanı kullanarak çözer ve“sınıfının-en-iyisi”model doğruluğunu artıran yeni bir güncelleme yöntemi kullanır. BELS'in matematiksel çıkarımının yanında, BLS ile karşılaştırılması da dahil 11 veri kümesi üzerinden gerçekleştirilen kapsamlı deney sonuçlarını sunuyoruz. Bu deneyler ile birlikte BELS'in teknolojiyi temsil eden yedi temel çizgiden önemli ölçüde üstün olduğunu gösteriyoruz. Önerilen yöntemimiz, BLS'ye kıyasla ortalama %44 ve diğer rekabetçi modellere kıyasla ortalama %29 oranında daha başarılıdır.
Özet (Çeviri)
Data stream classification has become a major research topic due to the increase in temporal data. One of the biggest hurdles of data stream classification is the development of algorithms that deal with evolving data, also known as concept drifts. As data changes over time, static prediction models lose their validity. Adapting to concept drifts provides more robust and better performing models. The Broad Learning System (BLS) is an effective broad neural architecture recently developed for incremental learning. BLS cannot provide instant response since it requires huge data chunks and is unable to handle concept drifts. We propose a Broad Ensemble Learning System (BELS) for stream classification with concept drift. BELS uses a novel updating method that greatly improves best-in-class model accuracy. It employs a dynamic output ensemble layer to address the limitations of BLS. We present its mathematical derivation, provide comprehensive experiments with 11 datasets that demonstrate the adaptability of our model, including a comparison of our model with BLS, and provide parameter and robustness analysis on several drifting streams, showing that it statistically significantly outperforms seven state-of-the-art baselines. We show that our proposed method improves on average 44% compared to BLS, and 29% compared to other competitive baselines.
Benzer Tezler
- Kafes kodlamalı-dik kısmi yanıtlı sistemlerin )QPR-TCM) hata başarım analizi
Performance analysis of quadrature partiel response trellis coded modulation
OSMAN NURİ UÇAN
Doktora
Türkçe
1995
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ERDAL PANAYIRCI