論文の概要: A Survey on Knowledge integration techniques with Artificial Neural Networks for seq-2-seq/time series models

• arxiv url: http://arxiv.org/abs/2008.05972v1
• Date: Thu, 13 Aug 2020 15:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 22:21:00.515163
• Title: A Survey on Knowledge integration techniques with Artificial Neural Networks for seq-2-seq/time series models
• Title（参考訳）: seq-2-seq/時系列モデルのためのニューラルネットワークを用いた知識統合技術に関する調査
• Authors: Pramod Vadiraja and Muhammad Ali Chattha
• Abstract要約: ディープニューラルネットワークは、いくつかの領域における未チャージ領域の探索を可能にしている。 しかし、データ不足、データ品質の低さ、ドメインを広くカバーしていないかもしれないデータにより、パフォーマンスは低かった。 本稿では、シークエンス・ツー・シークエンスと時系列モデルのための専門知識をディープニューラルネットワークに統合する手法について検討する。
• 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: In recent years, with the advent of massive computational power and the availability of huge amounts of data, Deep neural networks have enabled the exploration of uncharted areas in several domains. But at times, they under-perform due to insufficient data, poor data quality, data that might not be covering the domain broadly, etc. Knowledge-based systems leverage expert knowledge for making decisions and suitably take actions. Such systems retain interpretability in the decision-making process. This paper focuses on exploring techniques to integrate expert knowledge to the Deep Neural Networks for sequence-to-sequence and time series models to improve their performance and interpretability.
• Abstract（参考訳）: 近年、膨大な計算能力の出現と大量のデータの提供により、ディープニューラルネットワークはいくつかの領域における未チャージ領域の探索を可能にしている。 しかし、データ不足、データ品質の低さ、ドメインを広くカバーしていないかもしれないデータなどにより、パフォーマンスが低い場合もあります。 知識に基づくシステムは、専門家の知識を利用して意思決定を行い、適切な行動を取る。 このようなシステムは意思決定プロセスにおいて解釈可能性を維持する。 本稿では,シークエンス・ツー・シークエンスと時系列モデルのためのDeep Neural Networksに専門家の知識を統合する手法を検討する。

関連論文リスト

• Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
  グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。 本稿では、時間領域におけるGNNの技術と応用について概観する。
  論文  参考訳（メタデータ） (2023-05-30T02:27:17Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• A Time Series Approach to Explainability for Neural Nets with Applications to Risk-Management and Fraud Detection [0.0]
  技術に対する信頼は、予測の背後にある根拠を理解することによって実現される。 横断的なデータの場合、古典的なXAIアプローチはモデルの内部動作に関する貴重な洞察をもたらす可能性がある。 本稿では、データの自然時間順序を保存・活用する深層学習のための新しいXAI手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T12:04:01Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• KENN: Enhancing Deep Neural Networks by Leveraging Knowledge for Time Series Forecasting [6.652753636450873]
  本稿では,時系列予測のための知識融合アーキテクチャである知識拡張ニューラルネットワーク(KENN)を提案する。 我々は、KENNがフレームワーク全体のデータ依存を減らすだけでなく、純粋に知識とデータ駆動ドメインによって生成されるものよりも優れた予測を生成することで、パフォーマンスを向上させることを示した。
  論文  参考訳（メタデータ） (2022-02-08T14:47:47Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Blending Knowledge in Deep Recurrent Networks for Adverse Event Prediction at Hospital Discharge [15.174501264797309]
  セルフアテンテンションに基づくリカレントニューラルネットワークによって計算された患者データの表現と臨床的に関連性のある機能とを融合させた学習アーキテクチャを導入する。 我々は,大規模なクレームデータセットについて広範な実験を行い,ブレンド手法が標準的な機械学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-09T14:07:45Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Discovering long term dependencies in noisy time series data using deep learning [0.0]
  時系列モデリングは、予測保守、品質管理、最適化といったタスクの解決に不可欠である。 ディープラーニングはそのような問題を解決するために広く使われている。 本稿では,ディープニューラルネットワークを用いた時系列データにおける時間的依存関係のキャプチャと説明のためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-15T15:10:57Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)

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。