論文の概要: Sampling for Deep Learning Model Diagnosis (Technical Report)
- arxiv url: http://arxiv.org/abs/2002.09754v1
- Date: Sat, 22 Feb 2020 19:24:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 19:47:08.122125
- Title: Sampling for Deep Learning Model Diagnosis (Technical Report)
- Title（参考訳）: ディープラーニングモデル診断のためのサンプリング(技術報告)
- Authors: Parmita Mehta, Stephen Portillo, Magdalena Balazinska, Andrew Connolly
- Abstract要約: ディープニューラルネットワークのブラックボックスの性質は、医学的診断などの応用における採用の障壁である。
我々は,これらのモデルデバッグクエリに対して,近似的だが正確な結果を生成する新しいデータサンプリング手法を開発した。
本手法は,1つの標準的なコンピュータビジョンと1つの科学的データセットで評価し,クエリの精度において,サンプリング手法が様々な最先端の代替技術より優れていることを示す。
- 参考スコア（独自算出の注目度）: 5.8057675678464555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) models have achieved paradigm-changing performance in many
fields with high dimensional data, such as images, audio, and text. However,
the black-box nature of deep neural networks is a barrier not just to adoption
in applications such as medical diagnosis, where interpretability is essential,
but also impedes diagnosis of under performing models. The task of diagnosing
or explaining DL models requires the computation of additional artifacts, such
as activation values and gradients. These artifacts are large in volume, and
their computation, storage, and querying raise significant data management
challenges.
In this paper, we articulate DL diagnosis as a data management problem, and
we propose a general, yet representative, set of queries to evaluate systems
that strive to support this new workload. We further develop a novel data
sampling technique that produce approximate but accurate results for these
model debugging queries. Our sampling technique utilizes the lower dimension
representation learned by the DL model and focuses on model decision boundaries
for the data in this lower dimensional space. We evaluate our techniques on one
standard computer vision and one scientific data set and demonstrate that our
sampling technique outperforms a variety of state-of-the-art alternatives in
terms of query accuracy.
- Abstract（参考訳）: ディープラーニング(DL)モデルは、画像、オーディオ、テキストなどの高次元データを持つ多くの分野において、パラダイムを変える性能を達成した。
しかし、深層ニューラルネットワークのブラックボックスの性質は、解釈が不可欠である医療診断のような応用に限らず、実行中のモデルの診断を阻害する障壁である。
dlモデルの診断や説明のタスクは、アクティベーション値や勾配などの追加のアーティファクトの計算を必要とする。
これらのアーティファクトはボリュームが大きく、計算、ストレージ、クエリが重要なデータ管理上の課題を引き起こします。
本稿では,dl診断をデータ管理の問題として定式化し,この新しいワークロードをサポートするシステムを評価するための汎用的かつ代表的なクエリセットを提案する。
さらに,これらのモデルデバッギングクエリに対して,近似的だが正確な結果を生成する新しいデータサンプリング手法を開発した。
サンプリング手法は,DLモデルで学習した低次元表現を利用し,この低次元空間におけるデータに対するモデル決定境界に焦点を当てる。
本手法は,1つの標準的なコンピュータビジョンと1つの科学的データセットで評価し,クエリの精度において,サンプリング手法が様々な最先端の代替技術より優れていることを示す。
関連論文リスト
- Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。
本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。
背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-08-01T07:40:00Z) - ProtoAL: Interpretable Deep Active Learning with prototypes for medical imaging [0.6292138336765966]
本稿では,解釈可能なDLモデルをDeep Active Learningフレームワークに統合するProtoAL手法を提案する。
我々は,Messidorデータセット上でProtoALを評価し,精度-リコール曲線0.79の領域を実現するとともに,利用可能なラベル付きデータの76.54%しか利用していない。
論文 参考訳（メタデータ） (2024-04-06T21:39:49Z) - Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。
FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。
限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文 参考訳（メタデータ） (2024-03-27T02:24:00Z) - Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。
このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。
我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
論文 参考訳（メタデータ） (2024-02-07T13:41:53Z) - An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。
モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
論文 参考訳（メタデータ） (2023-08-20T15:22:08Z) - Deep Learning Approaches for Data Augmentation in Medical Imaging: A
Review [2.8145809047875066]
医用画像拡張のための3種類の深部生成モデル(変分オートエンコーダ、生成対向ネットワーク、拡散モデル)に焦点をあてる。
本稿では,これらの各モデルにおける技術の現状について概説するとともに,分類,セグメンテーション,クロスモーダル翻訳など,医療画像における下流業務における活用の可能性について論じる。
我々のゴールは、医用画像増倍のための深部生成モデルの使用に関する総合的なレビューを提供することであり、医用画像解析における深部学習アルゴリズムの性能向上のためのこれらのモデルの可能性を明らかにすることである。
論文 参考訳（メタデータ） (2023-07-24T20:53:59Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。