Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних
The article provides a comprehensive overview of incremental learning in the context of big data processing. The basic concepts, modern approaches, and key aspects of incremental learning are considered. The advantages of this approach for processing large amounts of data are analyzed, including the...
Збережено в:
| Дата: | 2024 |
|---|---|
| Автори: | , , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
Vinnytsia National Technical University
2024
|
| Теми: | |
| Онлайн доступ: | https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/719 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Optoelectronic Information-Power Technologies |
Репозитарії
Optoelectronic Information-Power Technologies| id |
oai:oeipt.vntu.edu.ua:article-719 |
|---|---|
| record_format |
ojs |
| spelling |
oai:oeipt.vntu.edu.ua:article-7192024-11-19T13:20:53Z Balancing efficiency and accuracy: incremental learning as a key to big data processing Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних Талах, М.В. Ушенко, Ю.О. Кадук, О.В. Максимович , М.Ю. incremental learning, Big Data, machine learning, streaming data processing, conceptual drift, catastrophic forgetting, adaptive algorithms, online learning. : поступове навчання, великі дані, машинне навчання, потокова обробка даних, концептуальний дрейф, катастрофічне забування, адаптивні алгоритми, онлайн-навчання. The article provides a comprehensive overview of incremental learning in the context of big data processing. The basic concepts, modern approaches, and key aspects of incremental learning are considered. The advantages of this approach for processing large amounts of data are analyzed, including the efficient use of computing resources, the ability to process streaming data in real time, and adaptability to changes in data. The main limitations and challenges, such as the problem of "catastrophic forgetting", the difficulty of balancing new and old knowledge, dependence on the order of data arrival, and potential loss of accuracy, are investigated. An analysis of specific problems is presented, including the handling of conceptual drift, unbalanced classes, and missing features. Applications of incremental learning in various fields, including data analytics, robotics, autonomous driving, and activity recognition, are discussed. We suggest directions for future research to address the identified problems and improve the effectiveness of incremental learning in the context of big data. У статті представлено комплексний огляд інкрементального навчання в контексті обробки великих даних. Розглянуто основні концепції, сучасні підходи та ключові аспекти інкрементального навчання. Проаналізовано переваги цього підходу для обробки великих обсягів даних, включаючи ефективне використання обчислювальних ресурсів, можливість обробки потокових даних у реальному часі та адаптивність до змін у даних. Досліджено основні обмеження та виклики, такі як проблема "катастрофічного забування", складність балансування нових та старих знань, залежність від порядку надходження даних та потенційна втрата точності. Представлено аналіз специфічних проблем, включаючи обробку концептуального дрейфу, незбалансованих класів та відсутніх ознак. Розглянуто застосування інкрементального навчання в різних галузях, включаючи аналітику даних, робототехніку, автономне водіння та розпізнавання активності. Запропоновано напрямки майбутніх досліджень для вирішення виявлених проблем та покращення ефективності інкрементального навчання у контексті великих даних. Vinnytsia National Technical University 2024-11-19 Article Article application/pdf https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/719 10.31649/1681-7893-2024-48-2-45-57 Optoelectronic Information-Power Technologies; Vol. 48 No. 2 (2024); 45-57 Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 48 № 2 (2024); 45-57 Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 48 № 2 (2024); 45-57 2311-2662 1681-7893 10.31649/10.31649/1681-7893-2024-48-2 en https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/719/666 |
| institution |
Optoelectronic Information-Power Technologies |
| baseUrl_str |
|
| datestamp_date |
2024-11-19T13:20:53Z |
| collection |
OJS |
| language |
English |
| topic |
: поступове навчання великі дані машинне навчання потокова обробка даних концептуальний дрейф катастрофічне забування адаптивні алгоритми онлайн-навчання. |
| spellingShingle |
: поступове навчання великі дані машинне навчання потокова обробка даних концептуальний дрейф катастрофічне забування адаптивні алгоритми онлайн-навчання. Талах, М.В. Ушенко, Ю.О. Кадук, О.В. Максимович , М.Ю. Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| topic_facet |
incremental learning Big Data machine learning streaming data processing conceptual drift catastrophic forgetting adaptive algorithms online learning. : поступове навчання великі дані машинне навчання потокова обробка даних концептуальний дрейф катастрофічне забування адаптивні алгоритми онлайн-навчання. |
| format |
Article |
| author |
Талах, М.В. Ушенко, Ю.О. Кадук, О.В. Максимович , М.Ю. |
| author_facet |
Талах, М.В. Ушенко, Ю.О. Кадук, О.В. Максимович , М.Ю. |
| author_sort |
Талах, М.В. |
| title |
Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| title_short |
Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| title_full |
Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| title_fullStr |
Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| title_full_unstemmed |
Балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| title_sort |
балансування ефективності та точності: поступове навчання як ключ до обробки великих даних |
| title_alt |
Balancing efficiency and accuracy: incremental learning as a key to big data processing |
| description |
The article provides a comprehensive overview of incremental learning in the context of big data processing. The basic concepts, modern approaches, and key aspects of incremental learning are considered. The advantages of this approach for processing large amounts of data are analyzed, including the efficient use of computing resources, the ability to process streaming data in real time, and adaptability to changes in data. The main limitations and challenges, such as the problem of "catastrophic forgetting", the difficulty of balancing new and old knowledge, dependence on the order of data arrival, and potential loss of accuracy, are investigated. An analysis of specific problems is presented, including the handling of conceptual drift, unbalanced classes, and missing features. Applications of incremental learning in various fields, including data analytics, robotics, autonomous driving, and activity recognition, are discussed. We suggest directions for future research to address the identified problems and improve the effectiveness of incremental learning in the context of big data. |
| publisher |
Vinnytsia National Technical University |
| publishDate |
2024 |
| url |
https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/719 |
| work_keys_str_mv |
AT talahmv balancingefficiencyandaccuracyincrementallearningasakeytobigdataprocessing AT ušenkoûo balancingefficiencyandaccuracyincrementallearningasakeytobigdataprocessing AT kadukov balancingefficiencyandaccuracyincrementallearningasakeytobigdataprocessing AT maksimovičmû balancingefficiencyandaccuracyincrementallearningasakeytobigdataprocessing AT talahmv balansuvannâefektivnostítatočnostípostupovenavčannââkklûčdoobrobkivelikihdanih AT ušenkoûo balansuvannâefektivnostítatočnostípostupovenavčannââkklûčdoobrobkivelikihdanih AT kadukov balansuvannâefektivnostítatočnostípostupovenavčannââkklûčdoobrobkivelikihdanih AT maksimovičmû balansuvannâefektivnostítatočnostípostupovenavčannââkklûčdoobrobkivelikihdanih |
| first_indexed |
2025-09-24T17:29:37Z |
| last_indexed |
2025-09-24T17:29:37Z |
| _version_ |
1844167287323492352 |