論文の概要: Autoencoding Features for Aviation Machine Learning Problems

• arxiv url: http://arxiv.org/abs/2011.01464v2
• Date: Sat, 7 Nov 2020 17:15:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 04:09:33.400289
• Title: Autoencoding Features for Aviation Machine Learning Problems
• Title（参考訳）: 航空機械学習問題における自動符号化機能
• Authors: Liya Wang, Panta Lucic, Keith Campbell, Craig Wanke
• Abstract要約: 本研究では,航空学習問題に対する効果的な特徴を抽出するために,教師なし学習手法であるオートエンコーダについて検討した。 研究結果から,オートエンコーダは,フライトトラックデータに有効な特徴を自動的に抽出するだけでなく,効率的な深部清浄データを抽出し,データサイエンティストの作業量を削減できることが示唆された。 開発されたアプリケーションと技術は、現在および将来の機械学習研究の有効性を改善するために、航空コミュニティ全体と共有されている。
• 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 current practice of manually processing features for high-dimensional and heterogeneous aviation data is labor-intensive, does not scale well to new problems, and is prone to information loss, affecting the effectiveness and maintainability of machine learning (ML) procedures. This research explored an unsupervised learning method, autoencoder, to extract effective features for aviation machine learning problems. The study explored variants of autoencoders with the aim of forcing the learned representations of the input to assume useful properties. A flight track anomaly detection autoencoder was developed to demonstrate the versatility of the technique. The research results show that the autoencoder can not only automatically extract effective features for the flight track data, but also efficiently deep clean data, thereby reducing the workload of data scientists. Moreover, the research leveraged transfer learning to efficiently train models for multiple airports. Transfer learning can reduce model training times from days to hours, as well as improving model performance. The developed applications and techniques are shared with the whole aviation community to improve effectiveness of ongoing and future machine learning studies.
• Abstract（参考訳）: 高度で異種な航空データに対する手作業による特徴処理の現在の実践は、労働集約的であり、新しい問題に対してうまくスケールせず、情報損失を起こしやすく、機械学習(ml)手順の有効性と保守性に影響を及ぼす。 本研究では,航空用機械学習問題の効果的な特徴を抽出するための教師なし学習手法であるautoencoderについて検討した。 この研究は、入力の学習された表現を有用な特性を仮定させる目的で、オートエンコーダの変種を調査した。 飛行軌道異常検出オートエンコーダは、この技術の汎用性を示すために開発された。 研究結果から,オートエンコーダはフライトトラックデータに有効な特徴を自動的に抽出するだけでなく,効率的な深層データも抽出でき,データサイエンティストの作業量を削減できることがわかった。 さらに,複数空港のモデルを効率的に学習するためにトランスファー・ラーニングを利用した。 トランスファーラーニングは、モデルトレーニング時間を数日から数時間に短縮し、モデルパフォーマンスを改善する。 開発されたアプリケーションと技術は、現在および将来の機械学習研究の有効性を改善するために、航空コミュニティ全体と共有されている。

関連論文リスト

• Improving Radiography Machine Learning Workflows via Metadata Management for Training Data Selection [0.0]
  物理科学では、科学研究サイクルによって生成されるメタデータのプールが永遠に増え続ける。 このメタデータを追跡することで、余分な作業の削減、改善、フィーチャーとトレーニングデータセットエンジニアリングプロセスの支援が可能になる。 動的ラジオグラフィーにおける機械学習メタデータ管理のためのツールを提案する。
  論文  参考訳（メタデータ） (2024-08-22T18:01:21Z)
• Demonstration-Guided Reinforcement Learning with Efficient Exploration for Task Automation of Surgical Robot [54.80144694888735]
  効率的な強化学習アルゴリズムであるDEX(Demonstration-Guided Exploration)を導入する。 本手法は,生産的相互作用を促進するために,高い値で専門家のような行動を推定する。 総合的な手術シミュレーションプラットフォームであるSurRoLによる10ドルの手術操作に関する実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-02-20T05:38:54Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a Stacked Recurrent Autoencoder Method with Dynamic Thresholding [0.3441021278275805]
  本稿では,Long Short-Term Memory (LSTM) Deep Learning Autoencoderをベースとした,新しい動的しきい値決定アルゴリズムとUAVデータセットの異常検出のための重み付き損失関数を組み込んだシステムを提案する。 動的しきい値と重み付き損失関数は、精度関連性能指標と真の故障検出速度の両方において、標準静的しきい値法に有望な改善を示した。
  論文  参考訳（メタデータ） (2022-03-09T14:16:14Z)
• Efficient Robotic Manipulation Through Offline-to-Online Reinforcement Learning and Goal-Aware State Information [5.604859261995801]
  本稿では、遷移性能低下を解消するオフラインからオフラインまでの統一的なRLフレームワークを提案する。 目標認識状態情報をRLエージェントに導入することにより,タスクの複雑性を大幅に低減し,政策学習を加速することができる。 本フレームワークは,複数のロボット操作タスクにおける最先端手法と比較して,優れたトレーニング効率と性能を実現する。
  論文  参考訳（メタデータ） (2021-10-21T05:34:25Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。