精选理由
这篇论文只用3.4%的标注数据就搞定了光网络故障检测中的概念漂移，效率高延迟低，做在线学习和故障检测的朋友可以看看。
该论文提出一种混合主动在线学习框架，针对光网络故障检测中的概念漂移问题。采用基于边界的选择性标注策略，仅需查询3.4%的流式样本即可达到接近上限的准确率和AUC分数。相比于静态推理，该方法延迟开销可忽略不计。实验验证了该框架在标签高效场景下的有效性。
AI 翻译 · 中文
该论文提出一种混合主动在线学习框架，针对光网络故障检测中的概念漂移问题。采用基于边界的选择性标注策略，仅需查询3.4%的流式样本即可达到接近上限的准确率和AUC分数。相比于静态推理，该方法延迟开销可忽略不计。实验验证了该框架在标签高效场景下的有效性。
We propose a hybrid active-online learning framework for label-efficient concept drift adaptation in optical network failure detection. Using margin-based selective labeling, our method achieves nearceiling accuracy and …