利用佐证源与概率源结合的噪声流数据事件检测
机器学习
2019-12-16 v1 社会与信息网络
系统与控制
系统与控制
机器学习
摘要
全球物理事件检测传统上依赖于遍布全球的物理传感器密集覆盖；尽管这是一项昂贵的举措，但直到最近都别无替代方案。社交网络与现场人类传感器的普及提供了来自全球各地关于真实物理事件的大量实时、现场数据。然而，尽管此类人类传感器数据已被用于回顾性大规模事件检测（如飓风或地震），但在利用这一丰富资源进行一般性物理事件检测方面，此前方法成效有限甚至毫无建树。先前的实现方法受概念漂移现象所困，即真实世界数据在其分布上表现出持续、未知、无界的变化，使得静态机器学习模型长期失效。我们提出并实现了一种端到端协同漂移自适应系统，其整合佐证源与概率源以提供实时预测。此外，我们的系统可适应概念漂移并执行自动化持续学习以维持高性能。我们在一个可在线获取的滑坡灾害检测实时演示中展示了我们的方法，并可扩展至其他真实世界物理事件，如洪水、野火、飓风与地震。
引用
@article{arxiv.1911.09281,
title = {Event Detection in Noisy Streaming Data with Combination of Corroborative and Probabilistic Sources},
author = {Abhijit Suprem and Calton Pu},
journal= {arXiv preprint arXiv:1911.09281},
year = {2019}
}