https://www.dagstuhl.de/20372

06. – 11. September 2020, Dagstuhl-Seminar 20372

Beyond Adaptation: Understanding Distributional Changes

Organisatoren

Niall Adams (Imperial College London, GB)
Vera Hofer (Universität Graz, AT)
Eyke Hüllermeier (Universität Paderborn, DE)
Georg Krempl (Utrecht University, NL)
Geoffrey Webb (Monash University – Clayton, AU)

Auskunft zu diesem Dagstuhl-Seminar erteilen

Annette Beyer zu administrativen Fragen

Michael Gerke zu wissenschaftlichen Fragen

Dagstuhl Reports

Wir bitten die Teilnehmer uns bei der notwendigen Dokumentation zu unterstützen und Abstracts zu ihrem Vortrag, Ergebnisse aus Arbeitsgruppen, etc. zur Veröffentlichung in unserer Serie Dagstuhl Reports einzureichen über unser
Dagstuhl Reports Submission System.

Dokumente

Teilnehmerliste
Gemeinsame Dokumente
Dagstuhl-Seminar Wiki
Programm des Dagstuhl-Seminars [pdf]

(Zum Einloggen bitte persönliche DOOR-Zugangsdaten verwenden)

Motivation

The world is dynamically changing and non-stationary. This is reflected by the variety of methods that have been developed in statistics, machine learning, and data mining to detect these changes, and to adapt to them. Nevertheless, most of this research views the changing environment as a black box data generator, to which models are adapted (Figure 1, left).

Figure 1

This Dagstuhl Seminar takes a change mining point of view, by focusing on change as a research subject of its own. This aims to make the distributional change process in the data generating environment transparent (Figure 1, right). It seeks to establish a better understanding of the causes, nature and consequences of distributional changes. Thereby, it aims to address the following research questions:

  1. Understanding which scenarios and types of change are relevant in practical applications
  2. How to model such types of change effectively
  3. How to detect, verify, and measure types of change
  4. How to establish bounds for distributional change, or for predictive performance under change
  5. How to effectively adapt prediction models to the different types of change
  6. How to visualise change, and how to highlight individual types of change
  7. How to evaluate techniques for the above questions

Thereby, this seminar will bridge communities where in separate lines of research some parts of these questions are already studied. These include data stream mining, where focus is on concept drift detection and adaptation, transfer learning and domain adaptation in machine learning and algorithmic learning theory, change point detection in statistics, adversarial generators in adversarial machine learning, and the evolving and adaptive systems community. Therefore, this seminar aims to bring together researchers and practitioners from these different areas, and to stimulate research towards a thorough understanding of distributional changes.

Motivation text license
  Creative Commons BY 3.0 DE
  Niall Adams, Vera Hofer, Eyke Hüllermeier, Georg Krempl, and Geoffrey Webb

Classification

  • Artificial Intelligence / Robotics

Keywords

  • Statistical machine learning
  • Data streams
  • Concept drift
  • Non-stationary non-iid data
  • Change mining

Dokumentation

In der Reihe Dagstuhl Reports werden alle Dagstuhl-Seminare und Dagstuhl-Perspektiven-Workshops dokumentiert. Die Organisatoren stellen zusammen mit dem Collector des Seminars einen Bericht zusammen, der die Beiträge der Autoren zusammenfasst und um eine Zusammenfassung ergänzt.

 

Download Übersichtsflyer (PDF).

Publikationen

Es besteht weiterhin die Möglichkeit, eine umfassende Kollektion begutachteter Arbeiten in der Reihe Dagstuhl Follow-Ups zu publizieren.

Dagstuhl's Impact

Bitte informieren Sie uns, wenn eine Veröffentlichung ausgehend von
Ihrem Seminar entsteht. Derartige Veröffentlichungen werden von uns in der Rubrik Dagstuhl's Impact separat aufgelistet  und im Erdgeschoss der Bibliothek präsentiert.