광 네트워크 장애 탐지에서 레이블 효율적인 개념 드리프트 적응을 위한 하이브리드 능동-온라인 학습 프레임워크
요약
광 네트워크 장애 탐지 시 발생하는 개념 드리프트(Concept Drift)에 대응하기 위한 하이브리드 능동-온라인 학습 프레임워크를 제안합니다. 마진 기반 선택적 레이블링을 통해 매우 적은 데이터만으로도 높은 정확도와 낮은 지연 시간을 유지하며 적응할 수 있습니다.
핵심 포인트
- 개념 드리프트 적응을 위한 하이브리드 능동-온라인 학습 프레임워크 제안
- 마진 기반 선택적 레이블링으로 스트리밍 샘플의 3.4%만 쿼리하여 효율성 극대화
- 정적 추론 대비 무시할 수 있는 수준의 낮은 지연 시간(Latency) 달성
- 높은 정확도 및 AUC 점수를 통한 광 네트워크 장애 탐지 성능 입증
컴퓨터 과학 (Computer Science) > 머신러닝 (Machine Learning)
제목: 광 네트워크 장애 탐지에서 레이블 효율적인 개념 드리프트 적응을 위한 하이브리드 능동-온라인 학습 프레임워크 (Hybrid Active-Online Learning Framework for Label-Efficient Concept Drift Adaptation in Optical Network Failure Detection)
View PDF HTML (experimental)초록 (Abstract): 우리는 광 네트워크 장애 탐지에서 레이블 효율적인 개념 드리프트 (Concept Drift) 적응을 위한 하이브리드 능동-온라인 학습 (Hybrid Active-Online Learning) 프레임워크를 제안합니다. 마진 기반 선택적 레이블링 (Margin-based selective labeling)을 사용하는 우리의 방법은 스트리밍 샘플의 단 3.4%만을 쿼리하면서도, 정적 추론 (Static inference) 대비 무시할 수 있는 수준의 지연 시간 (Latency) 오버헤드로 거의 최상위 수준의 정확도 (Accuracy) 및 AUC 점수를 달성합니다.
현재 브라우즈 컨텍스트:
서지 및 인용 도구 (Bibliographic and Citation Tools)
이 논사와 관련된 코드, 데이터 및 미디어 (Code, Data and Media Associated with this Article)
데모 (Demos)
추천 및 검색 도구 (Recommenders and Search Tools)
arXivLabs: 커뮤니티 협력자와 함께하는 실험적 프로젝트
arXivLabs는 협력자들이 우리 웹사이트에서 직접 새로운 arXiv 기능을 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs와 함께 활동하는 개인 및 조직은 개방성, 커뮤니티, 탁월함, 그리고 사용자 데이터 프라이버시라는 우리의 가치를 수용하고 받아들였습니다. arXiv는 이러한 가치에 전념하며, 이를 준수하는 파트너와만 협력합니다.
arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있습니까? arXivLabs에 대해 더 알아보기.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기