Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Design of an Adaptive Support Vector Regressor Controller for a Spherical Tank System Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Visual and Dynamic Change Detection for Data Streams

verfasst von : Lydia Boudjeloud-Assala, Philippe Pinheiro, Alexandre Blansché, Thomas Tamisier, Benoît Otjaques

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We propose in this paper a new approach to detect and visualize the change in a streaming clustering. This approach can be used to explore visually the data streams. We assume that the data stream structure can be different during the time. Our objective is to alert the user on the structure change during the time period. A common approach to deal with data streams is to observe and process it in a window. The principle of the proposed approach is to apply a data exploration method on each window. We then propose to visualize the change between all windows for each extracted cluster. The user can investigate more precisely the change between the two windows through a visual projection for each extracted cluster.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Statistical Prior Based Deformable Models for People Detection and Tracking
Nächstes Kapitel Adaptive Location for Multiple Salient Objects Detection
Literatur
1.
Adams, R., MacKay, D.: Bayesian online changepoint detection. Technical report, University of Cambridge (2007)
2.
Aggarwal, C.C., Watson, T.J., Ctr, R., Han, J., Wang, J., Yu, P.S.: A framework for clustering evolving data streams. In: VLDB, pp. 81–92 (2003)
3.
Aizen, J., Huttenlocher, D., Kleinberg, J., Novak, A.: Traffic-based feedback on the web. Proc. Natl. Acad.Sci. 101(Suppl. 1), 5254–5260 (2004)CrossRef
4.
Anderson, N.H., Hall, P., Titterington, D.M.: Two-sample test statistics for measuring discrepancies between two multivariate probability density functions using kernel-based density estimates. J. Multivar. Anal. 50(1), 41–54 (1994)MathSciNetCrossRefMATH
5.
Bifet, A., Gavalda, R.: Learning from time-changing data with adaptive windowing. In: Seventh SIAM International Conference Data Mining, pp. 443–448 (2007)
6.
Bifet, A., Holmes, G., Pfahringer, B., Kranen, P., Kremer, H., Jansen, T., Seidl, T.: Moa: massive online analysis, a framework for stream classification and clustering. In: WAPA, pp. 44–50 (2010)
7.
8.
Bondu, A., Boulle, M.: A supervised approach for change detection in data streams. In: The 2011 International Joint Conference on Neural Networks (IJCNN), pp. 519–526 (2011)
9.
Boudjeloud-Assala, L., Blansché, A.: Iterative evolutionary subspace clustering. In: International Conference on Neural Information Processing, vol. 1, pp. 424–431 (2012)
10.
Wemmert, C., Gançarski, P., Korczak, J.: A collaborative approach to combine multiple learning methods. Int. J. Artif. Intell. Tools 9(1), 59–78 (2000)CrossRef
11.
12.
Gama, J., Medas, P., Castillo, G., Rodrigues, P.: Learning with drift detection. In: Bazzan, A.L.C., Labidi, S. (eds.) SBIA 2004. LNCS (LNAI), vol. 3171, pp. 286–295. Springer, Heidelberg (2004) CrossRef
13.
Golab, L., Özsu, M.T.: Issues in data stream management. SIGMOD Rec. 32(2), 5–14 (2003)CrossRef
14.
15.
Kifer, D., Ben-David, S., Gehrke, J.: Detecting change in data streams. In: Endowment, V. (ed.) Proceedings of the Thirtieth International Conference on Very Large Data Bases, vol. 30, p. 191 (2004)
16.
Kranen, P., Kremer, H., Jansen, T., Seidl, T., Bifet, A., Holmes, G., Pfahringer, B.: Clustering performance on evolving data streams: assessing algorithms and evaluation measures within MOA. In: ICDM Workshops, pp. 1400–1403 (2010)
17.
18.
Tran, D.H.: Change detection in streaming mining. Ph.D. thesis, Faculty of computer science and automation, Ilmenau University of Technology (2013)
19.
van der Maaten, L., Hinton, G.: Visualizing high-dimensional data using t-SNE. J. Mach. Learn. Res. 9, 2579–2605 (2008). NovMATH
20.
Vlachos, M., Wu, K.-L., Chen, S.-K., Yu, P.S.: Fast burst correlation of financial data. In: Jorge, A.M., Torgo, L., Brazdil, P.B., Camacho, R., Gama, J. (eds.) PKDD 2005. LNCS (LNAI), vol. 3721, pp. 368–379. Springer, Heidelberg (2005) CrossRef
21.
Wei, C.-P., Chang, Y.-H.: Discovering event evolution patterns from document sequences. IEEE Trans. Syst. Man Cybern. A Syst. Hum. 37(2), 273–283 (2007)MathSciNetCrossRef
Metadaten
Titel
Visual and Dynamic Change Detection for Data Streams
verfasst von
Lydia Boudjeloud-Assala
Philippe Pinheiro
Alexandre Blansché
Thomas Tamisier
Benoît Otjaques
Copyright-Jahr
2015
Buch
Neural Information Processing

Print ISBN: 978-3-319-26554-4

Electronic ISBN: 978-3-319-26555-1

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-26555-1_45