Zobrazeno 1 - 10
of 5 913
pro vyhledávání: '"concept drift"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Complex & Intelligent Systems, Vol 10, Iss 5, Pp 6725-6743 (2024)
Abstract Stream data mining aims to handle the continuous and ongoing generation of data flows (e.g. weather, stock and traffic data), which often encounters concept drift as time progresses. Traditional offline algorithms struggle with learning from
Externí odkaz:
https://doaj.org/article/80b0343d2a8b423cb80924d56b6d029b
Publikováno v:
Big Data Mining and Analytics, Vol 7, Iss 2, Pp 500-511 (2024)
The current large-scale Internet of Things (IoT) networks typically generate high-velocity network traffic streams. Attackers use IoT devices to create botnets and launch attacks, such as DDoS, Spamming, Cryptocurrency mining, Phishing, etc. The serv
Externí odkaz:
https://doaj.org/article/2a238a0ca8ac41738cf1f1c0977240e5
Publikováno v:
Engineering Applications of Computational Fluid Mechanics, Vol 18, Iss 1 (2024)
Dynamic changes in ship maneuverability challenge the accuracy and effectiveness of ship maneuvering models. This paper proposes an online prediction method based on the adaptive weighted ensemble learning framework, which can adaptively update the m
Externí odkaz:
https://doaj.org/article/e0d13e4988694fd888310050484305ce
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.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Frontiers in Artificial Intelligence, Vol 7 (2024)
In an increasing number of industrial and technical processes, machine learning-based systems are being entrusted with supervision tasks. While they have been successfully utilized in many application areas, they frequently are not able to generalize
Externí odkaz:
https://doaj.org/article/208cd65f0611459abe2af379a0b0f580
Publikováno v:
Frontiers in Artificial Intelligence, Vol 7 (2024)
The world surrounding us is subject to constant change. These changes, frequently described as concept drift, influence many industrial and technical processes. As they can lead to malfunctions and other anomalous behavior, which may be safety-critic
Externí odkaz:
https://doaj.org/article/08d5088818ab4d4b917b171c1cca9cc0
Susceptibility of AutoML mortality prediction algorithms to model drift caused by the COVID pandemic
Autor:
Simone Maria Kagerbauer, Bernhard Ulm, Armin Horst Podtschaske, Dimislav Ivanov Andonov, Manfred Blobner, Bettina Jungwirth, Martin Graessner
Publikováno v:
BMC Medical Informatics and Decision Making, Vol 24, Iss 1, Pp 1-13 (2024)
Abstract Background Concept drift and covariate shift lead to a degradation of machine learning (ML) models. The objective of our study was to characterize sudden data drift as caused by the COVID pandemic. Furthermore, we investigated the suitabilit
Externí odkaz:
https://doaj.org/article/16ae1d3d54554127a72434bd2eadb0bb