Fugu-MT 論文翻訳(概要): Experimental Design for Bathymetry Editing

論文の概要: Experimental Design for Bathymetry Editing

arxiv url: http://arxiv.org/abs/2007.07495v1
Date: Wed, 15 Jul 2020 05:58:09 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 04:41:31.647173
Title: Experimental Design for Bathymetry Editing
Title（参考訳）: Bathymetry Editing の実験設計
Authors: Julaiti Alafate, Yoav Freund, David T. Sandwell, Brook Tozer
Abstract要約: 実験結果から、機械学習で一般的に使用されるIDの仮定から大きな逸脱が明らかになった。結果は、すべてのデータをトレーニングとテストにランダムに分割することは、しばしばパフォーマンスの低下につながることを示唆している。
参考スコア（独自算出の注目度）: 3.9373541926236766
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe an application of machine learning to a real-world computer assisted labeling task. Our experimental results expose significant deviations from the IID assumption commonly used in machine learning. These results suggest that the common random split of all data into training and testing can often lead to poor performance.
Abstract（参考訳）: 実世界のコンピュータによるラベリングタスクへの機械学習の適用について述べる。実験の結果,機械学習でよく用いられるIID仮定とは大きく異なっていた。これらの結果は、すべてのデータをトレーニングとテストにランダムに分割することで、しばしばパフォーマンスが低下することを示唆している。

関連論文リスト

The Impact of Train-Test Leakage on Machine Learning-based Android Malware Detection [6.9053043489744015]
同一またはほぼ同一のアプリ表現を持つ異なるAndroidアプリを特定します。これは、機械学習モデルのパフォーマンスを膨らませるデータリークの問題につながる。機械学習ベースのAndroidマルウェア検知器を構築するためのリーク認識方式を提案する。
論文参考訳（メタデータ） (2024-10-25T08:04:01Z)
mlscorecheck: Testing the consistency of reported performance scores and experiments in machine learning [0.0]
我々は、報告された性能スコアと機械学習問題における様々な実験装置との矛盾を識別できる数値的手法を開発した。これらの一貫性テストは、オープンソースのパッケージmlscorecheckに統合される。
論文参考訳（メタデータ） (2023-11-13T18:31:48Z)
Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文参考訳（メタデータ） (2023-06-08T18:10:37Z)
A Common Misassumption in Online Experiments with Machine Learning Models [1.52292571922932]
変種は一般的にプールデータを使って学習するため、モデル干渉の欠如は保証できない、と我々は主張する。実践者や研究文献に対する影響について論じる。
論文参考訳（メタデータ） (2023-04-21T11:36:44Z)
Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
論文参考訳（メタデータ） (2023-04-03T19:32:30Z)
PyExperimenter: Easily distribute experiments and track results [63.871474825689134]
PyExperimenterは、アルゴリズムの実験的な研究結果のセットアップ、ドキュメンテーション、実行、およびその後の評価を容易にするツールである。人工知能の分野で研究者が使用することを意図しているが、それらに限定されていない。
論文参考訳（メタデータ） (2023-01-16T10:43:02Z)
Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
論文参考訳（メタデータ） (2022-10-15T17:15:51Z)
Robust Policies via Mid-Level Visual Representations: An Experimental Study in Manipulation and Navigation [115.4071729927011]
エンド・ツー・エンドのRLフレームワークにおいて,中間レベルの視覚表現を汎用的かつ容易に認識可能な知覚状態として用いることの効果について検討した。一般化を支援し、サンプルの複雑さを改善し、最終的なパフォーマンスを高めることを示します。実際には、ドメインのランダム化やスクラッチからの学習が失敗したタスクのポリシーをうまくトレーニングするために、中間レベルの表現が使用できる。
論文参考訳（メタデータ） (2020-11-13T00:16:05Z)
DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
論文参考訳（メタデータ） (2020-04-28T12:26:50Z)

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。