論文の概要: DeepRepair: Style-Guided Repairing for DNNs in the Real-world Operational Environment

• arxiv url: http://arxiv.org/abs/2011.09884v1
• Date: Thu, 19 Nov 2020 15:09:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 20:16:19.856245
• Title: DeepRepair: Style-Guided Repairing for DNNs in the Real-world Operational Environment
• Title（参考訳）: DeepRepair:実世界の運用環境におけるDNNのスタイルガイド修復
• Authors: Bing Yu and Hua Qi and Qing Guo and Felix Juefei-Xu and Xiaofei Xie and Lei Ma and Jianjun Zhao
• Abstract要約: 本稿では,Deep Neural Networks (DNN) を運用環境で修復するためのスタイル誘導型データ拡張手法を提案する。 本稿では,故障データ中の未知の故障パターンをデータ拡張によるトレーニングデータに学習し,導入するためのスタイル転送手法を提案する。
• 参考スコア（独自算出の注目度）: 27.316150020006916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) are being widely applied for various real-world applications across domains due to their high performance (e.g., high accuracy on image classification). Nevertheless, a well-trained DNN after deployment could oftentimes raise errors during practical use in the operational environment due to the mismatching between distributions of the training dataset and the potential unknown noise factors in the operational environment, e.g., weather, blur, noise etc. Hence, it poses a rather important problem for the DNNs' real-world applications: how to repair the deployed DNNs for correcting the failure samples (i.e., incorrect prediction) under the deployed operational environment while not harming their capability of handling normal or clean data. The number of failure samples we can collect in practice, caused by the noise factors in the operational environment, is often limited. Therefore, It is rather challenging how to repair more similar failures based on the limited failure samples we can collect. In this paper, we propose a style-guided data augmentation for repairing DNN in the operational environment. We propose a style transfer method to learn and introduce the unknown failure patterns within the failure data into the training data via data augmentation. Moreover, we further propose the clustering-based failure data generation for much more effective style-guided data augmentation. We conduct a large-scale evaluation with fifteen degradation factors that may happen in the real world and compare with four state-of-the-art data augmentation methods and two DNN repairing methods, demonstrating that our method can significantly enhance the deployed DNNs on the corrupted data in the operational environment, and with even better accuracy on clean datasets.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、ハイパフォーマンス(画像分類の高精度化など)のため、ドメイン間の様々な現実世界のアプリケーションに広く適用されている。 それでも、よく訓練されたDNNは、トレーニングデータセットの分布と運用環境における潜在的に未知のノイズ要因(天気、ぼやけ、騒音など)のミスマッチのために、運用環境での実践的な使用中にエラーを発生させることがある。 従って、DNNの実際のアプリケーションには、デプロイされたDNNの障害サンプル(すなわち、間違った予測)を正常またはクリーンなデータを扱う能力を損なわずに、どのように修正するかという、かなり重要な問題が発生する。 運用環境のノイズ要因によって引き起こされる、実際に収集できる障害サンプルの数は、しばしば限られています。 したがって、収集可能な限定的な障害サンプルに基づいて、より類似した障害をいかに修復するかは、かなり困難です。 本稿では,DNNを運用環境下で修復するためのスタイル誘導型データ拡張を提案する。 本稿では,障害データ内の未知の障害パターンを学習し,データ拡張によってトレーニングデータに導入するスタイル転送手法を提案する。 さらに、より効果的なスタイル誘導データ拡張のためのクラスタリングベースの障害データ生成を提案する。 実世界で発生しうる15の劣化要因を大規模に評価し、4つの最先端データ拡張法と2つのDNN修復法と比較し、本手法が運用環境における破損したデータに対するデプロイDNNを大幅に強化し、クリーンデータセットの精度をさらに高めることを示す。

関連論文リスト

• Mitigating the Impact of Labeling Errors on Training via Rockafellian Relaxation [0.8741284539870512]
  ニューラルネットワークトレーニングのためのRockafellian Relaxation(RR)の実装を提案する。 RRは、分類タスク間で堅牢なパフォーマンスを達成するために、標準的なニューラルネットワーク手法を強化することができる。 RRはラベル付け誤りと/または逆方向の摂動の両方によるデータセットの破損の影響を軽減することができる。
  論文  参考訳（メタデータ） (2024-05-30T23:13:01Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Iterative Assessment and Improvement of DNN Operational Accuracy [11.447394702830412]
  DAIC (DNN Assessment and Improvement Cycle) は,オンライン擬似画像の「低コスト」とオフラインサンプリング技術「高コスト」を組み合わせた手法である。 予備的な結果は、この2つのアプローチを組み合わせる利点を示している。
  論文  参考訳（メタデータ） (2023-03-02T14:21:54Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• DIRA: Dynamic Domain Incremental Regularised Adaptation [2.227417514684251]
  ディープニューラルネットワーク(DNN)の動的動作領域適応のための動的インクリメンタル正規化適応(DIRA)を導入する。 DIRAは、ターゲットドメインからのサンプルをいくつか使用して再トレーニングする場合、忘れることの問題を改善し、パフォーマンスが大幅に向上する。 本手法は,分布変化に対するロバスト性の評価を目的とした,画像分類ベンチマークの改善を示す。
  論文  参考訳（メタデータ） (2022-04-30T03:46:03Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Sketching Curvature for Efficient Out-of-Distribution Detection for Deep Neural Networks [32.629801680158685]
  Sketching Curvature of OoD Detection (SCOD)は、訓練されたディープニューラルネットワークにタスク関連不確実性推定を装備するためのアーキテクチャに依存しないフレームワークである。 SCODは,既存のベースラインと比較して計算負担の少ないOoD検出性能の同等あるいは優れたOoD検出性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-02-24T21:34:40Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• A Unified Plug-and-Play Framework for Effective Data Denoising and Robust Abstention [4.200576272300216]
  基礎となるデータ密度を利用した統合フィルタリングフレームワークを提案する。 我々のフレームワークは、トレーニングデータを効果的にデノベートし、不確実なテストデータポイントの予測を避けることができる。
  論文  参考訳（メタデータ） (2020-09-25T04:18:08Z)
• Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
  ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。 しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。 本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:48:49Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。