• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Machine learning >Searching for Structure in Multiple Streams of Data
【24h】

Searching for Structure in Multiple Streams of Data

机译：在多个数据流中搜索结构

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Finding structure in multiple streams of data is an important problem. Consider the streams of data flowing from a robot's sensors, the monitors in an intensive care unit, or periodic measurements of various indicators of the health of the economy. There is clearly utility in determining how current and past values in those streams are related to future values. We formulate the problem of finding structure in multiple streams of categorical data as search over the space of dependencies, unexpectedly frequent or infrequent co-occurrences, between complex patterns of values that can appear in the streams. Based on that formulation, we develop the Multi-Stream Dependency Detection (msdd) algorithm that performs an efficient systematic search over the space of all possible dependencies. Dependency strength is evaluated with a statistical measure of non-independence, and bounds that we derive for the value of that measure allow the search to be pruned. Due to the pruning, MSDD can find the k strongest dependencies in the streams by examining only a fraction of the search space.
机译：在多个数据流中查找结构是一个重要的问题。考虑来自机器人传感器，重症监护室中的监护仪的流量，或对各种经济状况指标的定期测量。在确定这些流中的当前和过去值与将来值之间如何关联时，显然存在实用程序。我们提出了在多个分类数据流中查找结构的问题，这是对流中可能出现的复杂值模式之间的依存关系空间（意外地频繁或不频繁地同时出现）进行搜索。基于该公式，我们开发了多流相关性检测（msdd）算法，该算法对所有可能的相关性进行有效的系统搜索。用非独立性的统计度量来评估依赖性强度，并且我们为该度量的值得出的界限允许修剪搜索。由于修剪，MSDD可以通过仅检查搜索空间的一小部分来找到流中的k个最强依赖项。

著录项

  • 来源
    《Machine learning》|1996年|346-354|共9页
  • 会议地点 Bari(IT);Bari(IT)
  • 作者

    Tim Oates; Paul R. Cohen;

  • 作者单位

    Computer Science Department, LGRC University of Massachusetts Box 34610 Amherst, MA 01003-4610;

    Computer Science Department, LGRC University of Massachusetts Box 34610 Amherst, MA 01003-4610;

  • 会议组织
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 计算机的应用;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号