선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 6 가지의 표준 분류 데이터세트에 대한 실험은 기존의 원형 선택 방법과 비교하여 본 방법의 능력을 분석하기 위해 수행되었다. 대규모 데이터세트에 대해서는 엄청난 양의 계산 리소스와 학습 시간이 필요하기 때문에 샘플 수가 비교적 적은 데이터세트에 대해 선정하였다.
- 실시간 스트림 분석에서 데이터는 도착하자 마자 처리되어야 하며 통찰력은 신속하게 생성되어야 한다. 본 연구에서는 이를 해결하기 위한 접근법으로 적응형 학습(Adaptive Learning) 모델을 제안하고자 한다.
- 그러나 다양한 매개 변수 체제로 인해 시간이 지남에 따라 변화하는 모델과 데이터의 비선형성 문제 등은 실시간 예측에서 매우 중요한 문제로 부각되었다. 본 연구에서는 정상인 상태를 학습하고 편차가 발생하면 새로운 모델을 신속하게 학습하는 적응형 학습 모델을 제안하였다. 적응형 학습에서 알고리즘은 의사 결정을 내리고 기존 데이터 및 설정에서 이미 가지고 있는 정보를 기반으로 학습 프로세스를 조정할 수 있다.
- 따라서 시간이 지남에 따라 변화하는 통계 모델에 대해서 추론을 적응적으로 업데이트하기 위한 알고리즘을 설계할 필요가 있다. 본 연구에서는 정상인 상태를 학습하고 편차가 발생하면 새로운 모델을 신속하게 학습하는 적응형 학습 알고리즘을 제안하였다. 적응형 학습에서 알고리즘은 의사 결정을 내리고 기존 데이터 및 설정에서 이미 가지고 있는 정보를 기반으로 학습 프로세스를 조정할 수 있다.
가설 설정
- Fig. 1의 (b)에서 레이블이 같은 두 개의 엔티티 (즉, 샘플 또는 프로토타입)는 편의상 동일하다고 가정한다. 그렇지 않으면 이질적으로 판단하며 따라서 이질적 샘플 사이에 0이 아닌 거리가 필요하다[12,13].
- 전통적인 단순 기계 학습에서는 실시간을 위한 추적(Tracking) 솔루션에 많은 관심을 기울이지 않았다. 이 경우 비즈니스 솔루션은 단순화되며 시간이나 공간 또는 다른 차원에서 변화하지 않는다는 것을 가정한다. 그러나 실제로 모든 모델은 시간이 지남에 따라 진화하고 관련된 엔티티가 다양하기 때문에 시간이나 공간 그리고 또 다른 차원에서 혼합을 조정하고 적응적인 변경이 필요할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.