Fugu-MT 論文翻訳(概要): Translation Between Waves, wave2wave

論文の概要: Translation Between Waves, wave2wave

arxiv url: http://arxiv.org/abs/2007.10394v1
Date: Mon, 20 Jul 2020 18:29:09 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 10:11:13.962757
Title: Translation Between Waves, wave2wave
Title（参考訳）: 波動・波動2波間の変換
Authors: Tsuyoshi Okita and Hirotaka Hachiya and Sozo Inoue and Naonori Ueda
Abstract要約: 本稿では,連続的な信号波に対処するニューラルマシン翻訳セック2seqを提案する。 2つの実生活データ(地震と活動の変換)について実験結果が得られた。
参考スコア（独自算出の注目度）: 23.6529993152235
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The understanding of sensor data has been greatly improved by advanced deep learning methods with big data. However, available sensor data in the real world are still limited, which is called the opportunistic sensor problem. This paper proposes a new variant of neural machine translation seq2seq to deal with continuous signal waves by introducing the window-based (inverse-) representation to adaptively represent partial shapes of waves and the iterative back-translation model for high-dimensional data. Experimental results are shown for two real-life data: earthquake and activity translation. The performance improvements of one-dimensional data was about 46% in test loss and that of high-dimensional data was about 1625% in perplexity with regard to the original seq2seq.
Abstract（参考訳）: ビッグデータを用いた高度なディープラーニング手法により,センサデータの理解が大幅に向上している。しかし、現実世界で利用可能なセンサーデータはまだ限られており、機会センサ問題と呼ばれる。本稿では,ウェーブの一部形状を適応的に表現するウィンドウベース(逆-)表現と高次元データに対する反復的バックトランスレーションモデルを導入することで,連続的な信号波に対処するニューラルマシン翻訳セク2seqの新たな変種を提案する。実生活データとして,地震と活動翻訳の2つの実験結果が得られた。 1次元データの性能改善はテスト損失が約46%、高次元データの性能改善はオリジナルのSeq2seqに対して約1625%であった。

関連論文リスト

DispFormer: Pretrained Transformer for Flexible Dispersion Curve Inversion from Global Synthesis to Regional Applications [59.488352977043974]
本研究では、レイリー波位相と群分散曲線から$v_s$プロファイルを反転させるトランスフォーマーベースのニューラルネットワークであるDispFormerを提案する。結果は、ラベル付きデータなしでもゼロショットのDispFormerは、基底の真実とよく一致する逆プロファイルを生成することを示している。
論文参考訳（メタデータ） (2025-01-08T09:08:24Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Multidimensional analysis using sensor arrays with deep learning for high-precision and high-accuracy diagnosis [0.0]
本研究では,DNN(Deep Neural Network)を低コストで高精度なセンサアレイのデータに入力することにより,測定精度と精度を大幅に向上させることが実証された。データ収集は、32個の温度センサーで構成され、16個のアナログと16個のデジタルセンサーで構成されている。
論文参考訳（メタデータ） (2022-11-30T16:14:55Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
Deep Feature Screening: Feature Selection for Ultra High-Dimensional Data via Deep Neural Networks [4.212520096619388]
本稿では,Deep Feature Screening (DeepFS) と呼ばれる2段階の非パラメトリック手法を提案する。 DeepFSは、超高次元の低サンプルサイズのデータに対して、高精度で重要な特徴を識別することができる。 DeepFSの優位性は、広範囲なシミュレーション研究と実データ分析によって実証されている。
論文参考訳（メタデータ） (2022-04-04T17:51:49Z)
Energy networks for state estimation with random sensors using sparse labels [0.0]
本稿では,スパースラベルから学習可能な暗黙の最適化層と物理に基づく損失関数を用いた手法を提案する。この手法に基づいて、空間における離散的および連続的な予測のための2つのモデルを示す。
論文参考訳（メタデータ） (2022-03-12T15:15:38Z)
Recovery of Missing Sensor Data by Reconstructing Time-varying Graph Signals [0.0]
本稿では,無線センサネットワークにおけるソボレフ再構成アルゴリズムについて述べる。このアルゴリズムは, 大規模なデータ損失状況においても, 欠落したデータを常に検索することを示す。
論文参考訳（メタデータ） (2022-03-01T13:16:37Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
An Empirical Evaluation of the t-SNE Algorithm for Data Visualization in Structural Engineering [2.4493299476776773]
t-Distributed Neighbor Embedding (t-SNE)アルゴリズムは、可視化目的で設定された地震関連データセットの寸法を縮小するために用いられる。 SMOTE(Synthetic Minority Oversampling Technique)は、このようなデータセットの不均衡な性質に対処するために用いられる。トレーニングデータセットにおけるt-SNEとSMOTEを用いて、ニューラルネットワーク分類器は精度を犠牲にすることなく、有望な結果が得られることを示す。
論文参考訳（メタデータ） (2021-09-18T01:24:39Z)
HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
論文参考訳（メタデータ） (2021-02-04T10:00:13Z)
Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文参考訳（メタデータ） (2020-06-15T23:00:08Z)

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。