論文の概要: Explanation of Unintended Radiated Emission Classification via LIME

• arxiv url: http://arxiv.org/abs/2009.02418v2
• Date: Tue, 8 Sep 2020 16:37:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 02:00:44.776605
• Title: Explanation of Unintended Radiated Emission Classification via LIME
• Title（参考訳）: LIMEによる意図しない放射能分類の解説
• Authors: Tom Grimes, Eric Church, William Pitts, Lynn Wood
• Abstract要約: Flaming Moesと呼ばれるデータセットには、消費者電子からの意図しない放射放出が含まれている。 このデータセットを解析し、デバイス識別のための次世代の手法を構築した。 ResNet-18画像分類アーキテクチャを短時間で電圧シグネチャの短いセグメントのフーリエ変換に適用したニューラルネットワークを構築した。
• 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: Unintended radiated emissions arise during the use of electronic devices. Identifying and mitigating the effects of these emissions is a key element of modern power engineering and associated control systems. Signal processing of the electrical system can identify the sources of these emissions. A dataset known as Flaming Moes includes captured unintended radiated emissions from consumer electronics. This dataset was analyzed to construct next-generation methods for device identification. To this end, a neural network based on applying the ResNet-18 image classification architecture to the short time Fourier transforms of short segments of voltage signatures was constructed. Using this classifier, the 18 device classes and background class were identified with close to 100 percent accuracy. By applying LIME to this classifier and aggregating the results over many classifications for the same device, it was possible to determine the frequency bands used by the classifier to make decisions. Using ensembles of classifiers trained on very similar datasets from the same parent data distribution, it was possible to recover robust sets of features of device output useful for identification. The additional understanding provided by the application of LIME enhances the trainability, trustability, and transferability of URE analysis networks.
• Abstract（参考訳）: 意図しない放射放出は電子機器の使用中に発生する。 これらの排出の影響を識別し緩和することは、現代の電力工学と関連する制御システムの重要な要素である。 電気システムの信号処理は、これらの排出源を識別することができる。 Flaming Moesと呼ばれるデータセットには、消費者電子からの意図しない放射放出が含まれている。 このデータセットは、デバイス識別のための次世代メソッドを構築するために分析された。 この目的のために、ResNet-18画像分類アーキテクチャを短時間で電圧シグネチャの短いセグメントのフーリエ変換に適用したニューラルネットワークを構築した。 この分類器を用いて、18のデバイスクラスとバックグラウンドクラスを100%近い精度で同定した。 この分類器にLIMEを適用し、同じ装置の多くの分類に対して結果を集約することにより、分類器が決定するために使用する周波数帯域を決定できる。 同じ親データ分布から、非常に類似したデータセットでトレーニングされた分類器のアンサンブルを使用して、デバイス出力のロバストな機能セットを識別に役立てることができる。 LIMEの適用によるさらなる理解は、URE分析ネットワークのトレーニング可能性、信頼性、転送可能性を高める。

関連論文リスト

• Machine Learning Benchmarks for the Classification of Equivalent Circuit Models from Electrochemical Impedance Spectra [0.0]
  本稿では,BatteryDEVハッカソン用にQuantumScapeが提供する9,300のインピーダンススペクトルを分類する機械学習手法を紹介する。 重要な課題はラベルの識別可能性であり、モデル性能と誤分類スペクトルの比較によって下線化されている。
  論文  参考訳（メタデータ） (2023-02-07T10:08:35Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Efficacy of Transformer Networks for Classification of Raw EEG Data [21.156545825932405]
  脳波(EEG)データの分類は困難である。 脳波の深層学習はまだ行われていない。 以上の結果から,トランスフォーマーに基づくディープラーニングモデルにより,脳波データの過剰な特徴抽出の必要性を回避できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T17:12:27Z)
• An Efficient Epileptic Seizure Detection Technique using Discrete Wavelet Transform and Machine Learning Classifiers [0.0]
  本稿では,離散ウェーブレット変換(DWT)と機械学習分類器を用いたてんかん検出手法を提案する。 DWTは、周波数帯域の異なる信号のより良い分解を提供するため、特徴抽出に使われてきた。
  論文  参考訳（メタデータ） (2021-09-26T18:30:04Z)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• Motor Imagery Classification based on CNN-GRU Network with Spatio-Temporal Feature Representation [22.488536453952964]
  近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。 脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。 脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
  論文  参考訳（メタデータ） (2021-07-15T01:05:38Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)

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。