論文の概要: Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing

• arxiv url: http://arxiv.org/abs/2007.13875v1
• Date: Mon, 27 Jul 2020 21:23:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 07:52:45.798765
• Title: Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing
• Title（参考訳）: 多次元回帰のためのマルチタスク学習:発光センシングへの応用
• Authors: Umberto, Michelucci, Francesca Venturini
• Abstract要約: 非線形回帰に対する新しいアプローチは、ニューラルネットワーク、特に十分な数の隠蔽層と適切な出力ニューロンを持つフィードフォワードアーキテクチャを使用することである。 本稿では,マルチタスク学習(MTL)アーキテクチャを提案する。これらは,共通レイヤの出力を入力とするタスク固有のレイヤの複数のブランチによって特徴付けられる。 多次元回帰に対するこのアプローチのパワーを実証するため, 蛍光センシングに本手法を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classical approach to non-linear regression in physics, is to take a mathematical model describing the functional dependence of the dependent variable from a set of independent variables, and then, using non-linear fitting algorithms, extract the parameters used in the modeling. Particularly challenging are real systems, characterized by several additional influencing factors related to specific components, like electronics or optical parts. In such cases, to make the model reproduce the data, empirically determined terms are built-in the models to compensate for the impossibility of modeling things that are, by construction, impossible to model. A new approach to solve this issue is to use neural networks, particularly feed-forward architectures with a sufficient number of hidden layers and an appropriate number of output neurons, each responsible for predicting the desired variables. Unfortunately, feed-forward neural networks (FFNNs) usually perform less efficiently when applied to multi-dimensional regression problems, that is when they are required to predict simultaneously multiple variables that depend from the input dataset in fundamentally different ways. To address this problem, we propose multi-task learning (MTL) architectures. These are characterized by multiple branches of task-specific layers, which have as input the output of a common set of layers. To demonstrate the power of this approach for multi-dimensional regression, the method is applied to luminescence sensing. Here the MTL architecture allows predicting multiple parameters, the oxygen concentration and the temperature, from a single set of measurements.
• Abstract（参考訳）: 物理学における非線形回帰に対する古典的なアプローチは、独立変数の集合から依存変数の機能依存を記述する数学的モデルを取り、非線形適合アルゴリズムを用いてモデリングで使われるパラメータを抽出することである。 特に難しいのは実システムであり、電子部品や光学部品など特定の部品に関連するいくつかの追加的な要因が特徴である。 このような場合、モデルがデータを再現するために、モデルに実験的に決定された用語が組み込まれ、構造上、モデル化が不可能なものをモデル化できないことを補う。 この問題を解決するための新しいアプローチは、ニューラルネットワーク、特に十分な数の隠れ層と適切な数の出力ニューロンを持つフィードフォワードアーキテクチャを使用することである。 残念ながら、フィードフォワードニューラルネットワーク(FFNN)は通常、多次元回帰問題に適用した場合、基本的に異なる方法で入力データセットに依存する複数の変数を同時に予測する必要がある。 この問題に対処するため,マルチタスク学習(MTL)アーキテクチャを提案する。 これらは、共通のレイヤセットの出力として入力されるタスク固有のレイヤの複数のブランチによって特徴づけられる。 多次元回帰に対するこのアプローチのパワーを実証するため, 蛍光センシングに本手法を適用した。 ここでmtlアーキテクチャは、単一の測定セットから複数のパラメータ、酸素濃度と温度を予測することができる。

関連論文リスト

• A least distance estimator for a multivariate regression model using deep neural networks [1.8876415010297893]
  (A)GDNN-LD推定器は、DNN構造の重みパラメータに(適応的な)グループラッソペナルティを適用することにより、可変選択とモデル推定を同時に行う。 そこで本研究では,最小距離損失に基づく非滑らかな目的関数の最適化を容易にする2次平滑化近似法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T04:36:00Z)
• A statistical approach to latent dynamic modeling with differential equations [0.0]
  通常の微分方程式(ODE)は、プロセスの時間的局所的な変化の力学モデルを提供することができる。 本稿では,各観測結果を初期値として利用して,複数のローカルODEソリューションを得る方法を提案する。 脊髄性筋萎縮症に対するアプローチとそれに対応するシミュレーション研究について述べる。
  論文  参考訳（メタデータ） (2023-11-27T20:02:55Z)
• Deep Learning-based surrogate models for parametrized PDEs: handling geometric variability through graph neural networks [0.0]
  本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。 本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。 GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
  論文  参考訳（メタデータ） (2023-08-03T08:14:28Z)
• Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
  本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。 従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
  論文  参考訳（メタデータ） (2023-06-28T11:15:53Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Scalable Gaussian Processes for Data-Driven Design using Big Data with Categorical Factors [14.337297795182181]
  ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。 本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。 本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
  論文  参考訳（メタデータ） (2021-06-26T02:17:23Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• DynNet: Physics-based neural architecture design for linear and nonlinear structural response modeling and prediction [2.572404739180802]
  本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。 このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
  論文  参考訳（メタデータ） (2020-07-03T17:05:35Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。