• 새로운 class의 데이터가 들어오는 상황을 가정한 실험은 아니였지만, 끊임없이 들어오는 데이터에 대해, outlier을 detect할 수 있었다.
• streaming한 data 에서, outlier를 detect하고 remove가 가능했다 라는 점을 강조하고있음.
  1. Streaming한 Data에 기준을 두고, (batch size)
  2. 중요한 점(PEDRUL)을 뽑아서 convex hull 알고리즘 수행.
  3. 다음 Batch에 대해 ECS로 다음 PEDRUL이 현재 convex와 비교해서 터무니없으면 detect!
     1. 급진적인 drift?
     2. generous한 drift?

1.Abstraction

S+t-SNE는 새로운 데이터가 끊임없이 오는, Streaming 한 data에 대해 점진적으로 업데이트하여 확장성과 적응성을 보장합니다.

각 단계서 가장 중요한 포인트를 선택하는 알고리즘을 사용하고, drift를 관리하고 embedding공간을 조정합니다.

결론 : S+t-SNE가 streaming scenario 에서 패턴을 효과적으로 포착할 수 있습니다.

1. Related Work

Out of sample ⇒ 데이터의 작은 부분으로 시작하여 나머지 데이터를 매핑하여 확장성이 좋지만 정확도가 떨어지는 방법으로 S+t-SNE는 해당 방법에 속합니다.

지금까지의 다른 SNE 기법들은 Streaming Scenarios, 즉 concept drift환경을 고려하지 않았습니다. Dynamic t-sne같은경우, 새로운 데이터가 도착을 하더라도 기존 모든 데이터의 정보를 가지고있어야합니다.

S+t-SNE는 Streaming Scenarios와 Concept drift에 초점을 맞췄습니다.

3.S+t-SNE

Streaming Scenarios 의 두가지 문제

1. Data streaming의 duration과 termination을 모르기 때문에 언제까지 데이터를 축적하고 t-sne를 적용할지 모른다.