Fugu-MT 論文翻訳(概要): Physics-constrained indirect supervised learning

論文の概要: Physics-constrained indirect supervised learning

arxiv url: http://arxiv.org/abs/2004.14293v1
Date: Sun, 26 Apr 2020 10:50:48 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 13:53:17.281446
Title: Physics-constrained indirect supervised learning
Title（参考訳）: 物理制約付き間接教師あり学習
Authors: Yuntian Chen and Dongxiao Zhang
Abstract要約: 本研究ではラベルに依存しない教師あり学習手法を提案する。我々は,ラベルに関連付けられた変数を間接ラベルとして使用し,モデルのトレーニングのための物理機構に基づいて,間接的な物理制約付き損失を構築する。
参考スコア（独自算出の注目度）: 0.456877715768796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study proposes a supervised learning method that does not rely on labels. We use variables associated with the label as indirect labels, and construct an indirect physics-constrained loss based on the physical mechanism to train the model. In the training process, the model prediction is mapped to the space of value that conforms to the physical mechanism through the projection matrix, and then the model is trained based on the indirect labels. The final prediction result of the model conforms to the physical mechanism between indirect label and label, and also meets the constraints of the indirect label. The present study also develops projection matrix normalization and prediction covariance analysis to ensure that the model can be fully trained. Finally, the effect of the physics-constrained indirect supervised learning is verified based on a well log generation problem.
Abstract（参考訳）: 本研究ではラベルに依存しない教師付き学習手法を提案する。ラベルに関連付けられた変数を間接ラベルとして使用し、モデルをトレーニングするための物理メカニズムに基づいて間接物理学制約付き損失を構築する。トレーニングプロセスでは、モデル予測をプロジェクションマトリックスを介して物理機構に適合する値の空間にマッピングし、間接ラベルに基づいてモデルをトレーニングする。モデルの最終予測結果は、間接ラベルとラベルの間の物理的メカニズムに準拠し、間接ラベルの制約にも適合する。また,予測行列の正規化と予測共分散解析を行い,モデルを完全に学習できるようにした。最後に、ウェルログ生成問題に基づいて、物理制約付き間接教師付き学習の効果を検証する。

関連論文リスト

Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning [0.0]
ドメイン適応のための因果関係データストリームを自律的に関連付けるための対話型因果関係に基づく自己ラベル手法を提案した。本稿では,これらの研究課題に対処する自己ラベルフレームワークとその理論的基盤をさらに発展させる。
論文参考訳（メタデータ） (2024-04-08T18:16:22Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文参考訳（メタデータ） (2023-06-14T11:41:42Z)
Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
論文参考訳（メタデータ） (2023-06-09T16:08:35Z)
Causal Analysis for Robust Interpretability of Neural Networks [0.2519906683279152]
我々は、事前学習されたニューラルネットワークの因果効果を捉えるための頑健な介入に基づく手法を開発した。分類タスクで訓練された視覚モデルに本手法を適用した。
論文参考訳（メタデータ） (2023-05-15T18:37:24Z)
Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant [72.4512562104361]
擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
論文参考訳（メタデータ） (2023-01-18T07:11:24Z)
Adaptive Label Smoothing with Self-Knowledge in Natural Language Generation [16.878277421402945]
平滑化パラメータに動的性質をもたらす正規化スキームを提案する。トレーニングのモデルは、前方伝播中のハエの平滑化の程度を自己制御する。
論文参考訳（メタデータ） (2022-10-22T11:52:38Z)
Log-linear Guardedness and its Implications [116.87322784046926]
線形性を仮定する神経表現から人間の解釈可能な概念を消去する方法は、抽出可能で有用であることが判明した。この研究は、対数線ガードネスの概念を、敵が表現から直接その概念を予測することができないものとして正式に定義している。バイナリの場合、ある仮定の下では、下流の対数線形モデルでは消去された概念を復元できないことを示す。
論文参考訳（メタデータ） (2022-10-18T17:30:02Z)
Meaningful machine learning models and machine-learned pharmacophores from fragment screening campaigns [0.0]
機械学習モデルは50以上のフラグメントスクリーニングキャンペーンから派生しています。 MLモデルがバインドを成功させる上で重要であると考えるものについて、物理的に解釈可能で検証可能な表現を提供する。 MLモデルが提案する重要な分子構造と,手動で割り当てた分子構造との間には,よく一致している。
論文参考訳（メタデータ） (2022-03-25T18:08:55Z)
Unsupervised and supervised learning of interacting topological phases from single-particle correlation functions [0.0]
本研究では、教師なしおよび教師なしの機械学習技術が、解決可能なモデルのデータに基づいて訓練された場合、正確には解決不可能なモデルのフェーズを予測することができることを示す。特に,非相互作用量子ワイヤの単一粒子相関関数を用いたトレーニングセットを用いる。非相互作用モデルのデータに基づいてトレーニングされた主成分分析と畳み込みニューラルネットワークの両方が、相互作用モデルの位相位相を高い精度で識別できることを示す。
論文参考訳（メタデータ） (2022-02-18T16:02:29Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)

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。