Fugu-MT 論文翻訳(概要): Deep Transfer Learning for Industrial Automation: A Review and Discussion of New Techniques for Data-Driven Machine Learning

論文の概要: Deep Transfer Learning for Industrial Automation: A Review and Discussion of New Techniques for Data-Driven Machine Learning

arxiv url: http://arxiv.org/abs/2012.03301v1
Date: Sun, 6 Dec 2020 15:58:22 GMT
ステータス: 処理完了
システム内更新日: 2021-05-21 13:55:34.699143
Title: Deep Transfer Learning for Industrial Automation: A Review and Discussion of New Techniques for Data-Driven Machine Learning
Title（参考訳）: 産業自動化のためのDeep Transfer Learning:データ駆動機械学習の新しい手法のレビューと考察
Authors: Benjamin Maschler and Michael Weyrich
Abstract要約: 本稿では,トランスファーと継続学習の概念を紹介する。本稿では,両アルゴリズムの手法を応用した産業的深層移動学習への有望なアプローチを明らかにする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this article, the concepts of transfer and continual learning are introduced. The ensuing review reveals promising approaches for industrial deep transfer learning, utilizing methods of both classes of algorithms. In the field of computer vision, it is already state-of-the-art. In others, e.g. fault prediction, it is barely starting. However, over all fields, the abstract differentiation between continual and transfer learning is not benefitting their practical use. In contrast, both should be brought together to create robust learning algorithms fulfilling the industrial automation sector's requirements. To better describe these requirements, base use cases of industrial transfer learning are introduced.
Abstract（参考訳）: 本稿では,伝達と連続学習の概念を紹介する。その後のレビューでは,両アルゴリズムの手法を活用した産業的深層移動学習への有望なアプローチを明らかにしている。コンピュータビジョンの分野では、すでに最先端のテクノロジーだ。他の例では障害予測は、ほとんど始まりません。しかしながら、あらゆる分野において、連続学習と転校学習の抽象的な区別は、その実用的利用の恩恵を受けるものではない。対照的に、どちらも、産業自動化セクターの要求を満たす堅牢な学習アルゴリズムを作成するために、まとめるべきである。これらの要件をより詳しく説明するために,産業転校学習のベースユースケースが紹介されている。

関連論文リスト

Bayesian Transfer Learning [13.983016833412307]
トランスファーラーニング」は、関連分野のデータを活用することにより、関心領域における推論および/または予測精度の向上を目指す。本稿では,新しい学習課題を導く上で,事前知識に基づく学習の概念と自然に相容れないにもかかわらず,比較的注意を払われたバイーシアン学習のアプローチを取り上げる。本稿では,これらの手法がドメイン間の転送に最適な情報を見つける問題にどのように対処するかを論じる。
論文参考訳（メタデータ） (2023-12-20T23:38:17Z)
LLM4Drive: A Survey of Large Language Models for Autonomous Driving [67.843551583229]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文参考訳（メタデータ） (2023-11-02T07:23:33Z)
Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial Application Case on Autonomous Disassembly [55.41644538483948]
我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
論文参考訳（メタデータ） (2023-01-12T14:00:37Z)
Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文参考訳（メタデータ） (2022-02-28T06:28:44Z)
Omni-Training for Data-Efficient Deep Learning [80.28715182095975]
近年の進歩により、適切に訓練されたモデルが重要な特性であるトランスファービリティを持つことが明らかとなった。事前訓練とメタトレーニングの厳密な組み合わせは、どちらの種類のトランスファー可能性も達成できない。このことが提案されているOmni-Trainingフレームワークを,データ効率のよいディープラーニングに動機付けている。
論文参考訳（メタデータ） (2021-10-14T16:30:36Z)
Empirically Measuring Transfer Distance for System Design and Operation [2.9864637081333085]
転送学習アルゴリズムには、学習すべき例がほとんどないことを示す。本稿では, 転送可能な予測モデルを実現するために, マシン再構築手順の設計における転送距離の利用を検討する。実践者は、コンポーネント学習システムで直面する学習理論上の課題を考慮したシステムの設計と運用に、提示された方法論を利用することができる。
論文参考訳（メタデータ） (2021-07-02T16:45:58Z)
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 as an Enabler of the Intelligent Digital Twin [0.0]
デジタルツインは、仮想コミッショニング、障害予測、再構成計画など、多くの分野で有益であると説明されてきた。本稿では,知的デジタルツインを用いた多段階産業移行学習のユースケースについて述べる。
論文参考訳（メタデータ） (2020-12-03T13:51:05Z)
What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文参考訳（メタデータ） (2020-08-26T17:23:40Z)
Transfer learning extensions for the probabilistic classification vector machine [1.6244541005112747]
スパースと解釈可能な確率的分類ベクトルマシンに統合された2つの伝達学習拡張を提案する。それらのベンチマークは、この分野の標準ベンチマークと比較され、その妥当性はスパーシリティまたはパフォーマンスの改善によって示される。
論文参考訳（メタデータ） (2020-07-11T08:35:10Z)
On the application of transfer learning in prognostics and health management [0.0]
データ可用性は、研究者や業界の実践者がデータベースの機械学習に頼ることを奨励している。ディープラーニング、障害診断と診断のためのモデル。これらのモデルにはユニークな利点がありますが、そのパフォーマンスはトレーニングデータと、そのデータがテストデータをどのように表現しているかに大きく依存しています。トランスファーラーニング(Transfer Learning)は、前回のトレーニングから学んだことの一部を新しいアプリケーションに転送することで、この問題を改善できるアプローチである。
論文参考訳（メタデータ） (2020-07-03T23:35:18Z)

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。