Publikace detail

Introduction to Extreme Seeking Entropy

Autoři: Vrba Jan | Mareš Jan

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: Entropy

Název nakladatele: MDPI

Místo vydání: BASEL

Strana od-do: nestránkováno

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Úvod do Extreme Seeking Entropy	Nedávno byl představen koncept hodnocení neobvykle velké snahy adaptivního systému pro detekci novinek ve sledovaných datech. Tato práce zavádí nové měřítko vzdělávacího úsilí adaptivního systému. Navrhovaná metoda také využívá adaptabilní parametry. Místo víceúrovňového vylepšeného přístupu se používá obecná Paretova distribuce k odhadu pravděpodobnosti neobvyklých aktualizací i k detekci novinek. Toto opatření bylo úspěšně testováno v různých scénářích s (i) syntetickými daty, (ii) datovými sadami řad v reálném čase a několika adaptivními filtry a algoritmy učení. Jsou uvedeny výsledky těchto experimentů.	detekce novosti; systém učení; učení se; časové řady; entropie učení
eng	Introduction to Extreme Seeking Entropy	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.	novelty detection; learning system; learning; time series; learning entropy; extreme seeking entropy

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte