Zobrazeno 1 - 7
of 7
pro vyhledávání: '"Bakhshi, Sepehr"'
Autor:
Bakhshi, Sepehr, Can, Fazli
Available works addressing multi-label classification in a data stream environment focus on proposing accurate models; however, these models often exhibit inefficiency and cannot balance effectiveness and efficiency. In this work, we propose a neural
Externí odkaz:
http://arxiv.org/abs/2310.00665
Ensemble methods are commonly used in classification due to their remarkable performance. Achieving high accuracy in a data stream environment is a challenging task considering disruptive changes in the data distribution, also known as concept drift.
Externí odkaz:
http://arxiv.org/abs/2308.10807
In a data stream environment, classification models must handle concept drift efficiently and effectively. Ensemble methods are widely used for this purpose; however, the ones available in the literature either use a large data chunk to update the mo
Externí odkaz:
http://arxiv.org/abs/2110.03540
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Bakhshi, Sepehr
Cataloged from PDF version of article. Thesis (Master's): Bilkent University, Department of Computer Engineering, İhsan Doğramacı Bilkent University, 2021. Includes bibliographical references (leaves 48-54). Data stream classification has become a
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______3533::32a2c2e45d55c676b0fcab575e2afac7
https://hdl.handle.net/11693/76862
https://hdl.handle.net/11693/76862