論文の概要: Neural Architecture Search For Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2002.07997v1
- Date: Wed, 19 Feb 2020 04:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:41:07.979160
- Title: Neural Architecture Search For Fault Diagnosis
- Title（参考訳）: 障害診断のためのニューラルアーキテクチャ探索
- Authors: Xudong Li, Yang Hu, Jianhua Zheng, Mingtao Li
- Abstract要約: ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。
ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。
本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
- 参考スコア（独自算出の注目度）: 6.226564415963648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven methods have made great progress in fault diagnosis, especially
deep learning method. Deep learning is suitable for processing big data, and
has a strong feature extraction ability to realize end-to-end fault diagnosis
systems. However, designing neural network architecture requires rich
professional knowledge and debugging experience, and a lot of experiments are
needed to screen models and hyperparameters, increasing the difficulty of
developing deep learning models. Frortunately, neural architecture search (NAS)
is developing rapidly, and is becoming one of the next directions for deep
learning. In this paper, we proposed a NAS method for fault diagnosis using
reinforcement learning. A recurrent neural network is used as an agent to
generate network architecture. The accuracy of the generated network on the
validation dataset is fed back to the agent as a reward, and the parameters of
the agent are updated through the strategy gradient algorithm. We use PHM 2009
Data Challenge gearbox dataset to prove the effectiveness of proposed method,
and obtain state-of-the-art results compared with other artificial designed
network structures. To author's best knowledge, it's the first time that NAS
has been applied in fault diagnosis.
- Abstract（参考訳）: データ駆動手法は、特に深層学習法において、断層診断に大きな進歩をもたらした。
ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。
しかし、ニューラルネットワークアーキテクチャを設計するには、豊富な専門知識とデバッグエクスペリエンスが必要であり、モデルやハイパーパラメータの表示には多くの実験が必要であり、ディープラーニングモデルの開発が困難になる。
幸いにも、neural architecture search(nas)は急速に発展しており、ディープラーニングの次の方向の1つになっている。
本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
繰り返しニューラルネットワークは、ネットワークアーキテクチャを生成するエージェントとして使用される。
検証データセット上で生成されたネットワークの精度を報酬としてエージェントに返送し、戦略勾配アルゴリズムを介してエージェントのパラメータを更新する。
phm 2009 data challenge gearboxデータセットを用いて,提案手法の有効性を検証し,他の人工ネットワーク構造と比較して最先端の結果を得る。
著者の知る限りでは、NASが障害診断に応用されたのは今回が初めてです。
関連論文リスト
- A Lightweight Neural Architecture Search Model for Medical Image Classification [15.244911514754547]
本稿では,スパース確率を生成する新しい手法により探索効率を向上させる微分可能なNASアルゴリズムZO-DARTS+を提案する。
5つの公開医療データセットの実験では、ZO-DARTS+は最先端のソリューションの精度と一致し、検索時間を最大3倍削減している。
論文 参考訳（メタデータ） (2024-05-06T13:33:38Z) - Image classification network enhancement methods based on knowledge
injection [8.885876832491917]
本稿では,多段階階層型ディープラーニングアルゴリズムを提案する。
マルチレベルの階層型ディープラーニングアーキテクチャと、マルチレベルの階層型ディープラーニングフレームワークで構成されている。
実験の結果,提案アルゴリズムはニューラルネットワークの隠れた情報を効果的に説明できることがわかった。
論文 参考訳（メタデータ） (2024-01-09T09:11:41Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。
ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。
NASはコンピュータビジョンの幅広い問題に適用されている。
論文 参考訳（メタデータ） (2022-02-15T08:06:50Z) - Improving the sample-efficiency of neural architecture search with
reinforcement learning [0.0]
この作業では、Automated Machine Learning(AutoML)の領域にコントリビュートしたいと思っています。
我々の焦点は、最も有望な研究方向の一つ、強化学習である。
児童ネットワークの検証精度は、コントローラを訓練するための報奨信号として機能する。
我々は、これをより現代的で複雑なアルゴリズムであるPPOに修正することを提案する。
論文 参考訳（メタデータ） (2021-10-13T14:30:09Z) - Efficient Neural Architecture Search with Performance Prediction [0.0]
ニューラルアーキテクチャ検索を使用して、目前にあるタスクに最適なネットワークアーキテクチャを見つけます。
既存のNASアルゴリズムは、スクラッチから完全にトレーニングすることで、新しいアーキテクチャの適合性を評価する。
サンプルアーキテクチャの評価を高速化するために,エンドツーエンドのオフライン性能予測器を提案する。
論文 参考訳（メタデータ） (2021-08-04T05:44:16Z) - On the Exploitation of Neuroevolutionary Information: Analyzing the Past
for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。
本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文 参考訳（メタデータ） (2021-05-26T20:55:29Z) - Learning Efficient, Explainable and Discriminative Representations for
Pulmonary Nodules Classification [2.4565395352560895]
本研究では,効率的かつ(部分的に)説明可能な分類モデルの構築を目指す。
我々は,3次元ネットワークアーキテクチャを高精度かつ高速なトレードオフで自動検索するために,ニューロンアーキテクチャサーチ(NAS)を用いる。
推論段階では、予測精度とロバスト性を改善するために、多様なニューラルネットワークのアンサンブルを用いる。
論文 参考訳（メタデータ） (2021-01-19T02:53:44Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - Multi-fidelity Neural Architecture Search with Knowledge Distillation [69.09782590880367]
ニューラルアーキテクチャ探索のためのベイズ的多重忠実度法 MF-KD を提案する。
知識蒸留は損失関数に追加され、ネットワークが教師ネットワークを模倣することを強制する用語となる。
このような変化した損失関数を持ついくつかのエポックに対するトレーニングは、ロジスティックな損失を持ついくつかのエポックに対するトレーニングよりも、より優れたニューラルアーキテクチャの選択につながることを示す。
論文 参考訳（メタデータ） (2020-06-15T12:32:38Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。