論文の概要: Auxiliary Network: Scalable and agile online learning for dynamic system with inconsistently available inputs

• arxiv url: http://arxiv.org/abs/2008.11828v1
• Date: Wed, 26 Aug 2020 21:37:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 21:01:21.840932
• Title: Auxiliary Network: Scalable and agile online learning for dynamic system with inconsistently available inputs
• Title（参考訳）: Auxiliary Network: 一貫性のない入力を持つ動的システムのためのスケーラブルでアジャイルなオンライン学習
• Authors: Rohit Agarwal and Arif Ahmed Sekh and Krishna Agarwal and Dilip K. Prasad
• Abstract要約: ストリーム分類法は、入力特徴の数が固定され、常に受信されると仮定する。 我々は、スケーラブルでアジャイルなAuxiliary Network(Aux-Net)と呼ばれる新しいディープラーニングベースのモデルを提案する。
• 参考スコア（独自算出の注目度）: 11.217729367179126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming classification methods assume the number of input features is fixed and always received. But in many real-world scenarios demand is some input features are reliable while others are unreliable or inconsistent. In this paper, we propose a novel deep learning-based model called Auxiliary Network (Aux-Net), which is scalable and agile. It employs a weighted ensemble of classifiers to give a final outcome. The Aux-Net model is based on the hedging algorithm and online gradient descent. It employs a model of varying depth in an online setting using single pass learning. Aux-Net is a foundational work towards scalable neural network model for a dynamic complex environment requiring ad hoc or inconsistent input data. The efficacy of Aux-Net is shown on public dataset.
• Abstract（参考訳）: ストリーム分類法は、入力特徴の数が固定され、常に受信されると仮定する。 しかし、現実世界の多くのシナリオでは、要求はいくつかの入力機能が信頼できないか一貫性がないかである。 本稿では,スケーラブルでアジャイルな補助ネットワーク(aux-net)と呼ばれる,新たなディープラーニングモデルを提案する。 最終的な結果を得るために分類器の重み付きアンサンブルを用いる。 Aux-Netモデルは、ヘッジアルゴリズムとオンライン勾配勾配に基づく。 シングルパス学習を使用したオンライン環境では,さまざまな深さのモデルを採用している。 Aux-Netは、アドホックまたは一貫性のない入力データを必要とする動的複雑な環境のためのスケーラブルなニューラルネットワークモデルに向けた基礎的な作業である。 Aux-Netの有効性は、パブリックデータセットに示されている。

関連論文リスト

• Aux-Drop: Handling Haphazard Inputs in Online Learning Using Auxiliary Dropouts [74.36807934829629]
  Aux-Dropはオンライン学習のための補助的なドロップアウト正規化戦略である。 従来のドロップアウト正規化方式をハファザード入力特徴空間に適用する。 特に補助的特徴と基本特徴の共適応を防ぐのに役立ちます。
  論文  参考訳（メタデータ） (2023-03-09T10:15:03Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Experimental study of Neural ODE training with adaptive solver for dynamical systems modeling [72.84259710412293]
  アダプティブと呼ばれるいくつかのODEソルバは、目の前の問題の複雑さに応じて評価戦略を適用することができる。 本稿では,動的システムモデリングのためのブラックボックスとして適応型ソルバをシームレスに利用できない理由を示すための簡単な実験について述べる。
  論文  参考訳（メタデータ） (2022-11-13T17:48:04Z)
• Open World Learning Graph Convolution for Latency Estimation in Routing Networks [16.228327606985257]
  グラフニューラルネットワークを用いてネットワークルーティングをモデル化する手法を提案する。 我々のモデルは、異なるネットワークサイズとルーティングネットワークの構成にまたがる安定した性能を共有し、同時に、目に見えないサイズ、構成、ユーザの振る舞いに対して外挿することができる。 予測精度,計算資源,推論速度,およびオープンワールド入力への一般化能力の観点から,本モデルが従来のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-08T19:26:40Z)
• Sapinet: A sparse event-based spatiotemporal oscillator for learning in the wild [0.0]
  Sapinetは、悲惨なことを忘れずに複数の入力をワンショットで学習するオンライン学習だ。 Sapinetの主な特徴は、データの正規化、モデルのスケーリング、データの分類、デノイングである。
  論文  参考訳（メタデータ） (2022-04-13T07:37:27Z)
• Towards Disentangling Information Paths with Coded ResNeXt [11.884259630414515]
  ネットワーク全体の機能の透明性を高めるために,我々は新しいアプローチを採っている。 分類のためのニューラルネットワークアーキテクチャを提案し、各クラスに関連する情報が特定の経路を流れる。
  論文  参考訳（メタデータ） (2022-02-10T21:45:49Z)
• Reasoning-Modulated Representations [85.08205744191078]
  タスクが純粋に不透明でないような共通的な環境について研究する。 我々のアプローチは、新しいデータ効率表現学習の道を開く。
  論文  参考訳（メタデータ） (2021-07-19T13:57:13Z)
• MutualNet: Adaptive ConvNet via Mutual Learning from Different Model Configurations [51.85020143716815]
  MutualNetは、リソース制約の多様なセットで実行できる単一のネットワークを訓練するために提案します。 提案手法は,様々なネットワーク幅と入力解像度を持つモデル構成のコホートを訓練する。 MutualNetは、さまざまなネットワーク構造に適用できる一般的なトレーニング方法論です。
  論文  参考訳（メタデータ） (2021-05-14T22:30:13Z)
• Inductive biases and Self Supervised Learning in modelling a physical heating system [0.0]
  本稿では,物理系に関する帰納バイアスを推測する。 このバイアスを使って、実際のシステムをモデル化できる新しいニューラルネットワークアーキテクチャを導出します。 提案されたアーキテクチャファミリーであるDelayは、遅延応答を持つシステムを制御するために実際のシナリオで使用できる。
  論文  参考訳（メタデータ） (2021-04-23T08:50:41Z)
• Side-Tuning: A Baseline for Network Adaptation via Additive Side Networks [95.51368472949308]
  適応は、トレーニングデータが少ない場合や、ネットワークのプリエンプションをエンコードしたい場合などに有効である。 本稿では,サイドチューニングという簡単な方法を提案する。
  論文  参考訳（メタデータ） (2019-12-31T18:52:32Z)

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。