Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

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