論文の概要: Active machine learning for spatio-temporal predictions using feature embedding

• arxiv url: http://arxiv.org/abs/2012.04407v1
• Date: Tue, 8 Dec 2020 12:55:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 07:06:35.602909
• Title: Active machine learning for spatio-temporal predictions using feature embedding
• Title（参考訳）: 特徴埋め込みを用いた時空間予測のためのアクティブ機械学習
• Authors: Arsam Aryandoust, Stefan Pfenninger
• Abstract要約: アクティブラーニングは、危機時予測の改善を通じて環境問題の解決に寄与する可能性がある。 本稿では,このギャップを埋める新しいバッチAL法を提案する。 候補データポイントの機能をエンコードおよびクラスタ化し、組み込み機能からクラスタセンターまでの距離に基づいて最適なデータをクエリします。
• 参考スコア（独自算出の注目度）: 0.537133760455631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning (AL) could contribute to solving critical environmental problems through improved spatio-temporal predictions. Yet such predictions involve high-dimensional feature spaces with mixed data types and missing data, which existing methods have difficulties dealing with. Here, we propose a novel batch AL method that fills this gap. We encode and cluster features of candidate data points, and query the best data based on the distance of embedded features to their cluster centers. We introduce a new metric of informativeness that we call embedding entropy and a general class of neural networks that we call embedding networks for using it. Empirical tests on forecasting electricity demand show a simultaneous reduction in prediction error by up to 63-88% and data usage by up to 50-69% compared to passive learning (PL) benchmarks.
• Abstract（参考訳）: アクティブラーニング(al)は時空間予測の改善を通じて重要な環境問題を解決するのに役立つ。 しかし、このような予測には、データ型が混ざり合った高次元の特徴空間とデータ不足が伴う。 本稿では,このギャップを埋める新しいバッチAL法を提案する。 候補データポイントの機能をエンコードしてクラスタ化し、クラスタセンターへの組み込み機能の距離に基づいて最適なデータをクエリします。 我々は、エントロピー埋め込みと呼ぶ新しい情報度指標と、それを使用するための埋め込みネットワークと呼ばれるニューラルネットワークの一般クラスを紹介します。 電力需要予測に関する実証テストでは、パッシブ・ラーニング(pl)ベンチマークと比較して、予測誤差を63-88%、データ使用率を最大50～69%削減した。

関連論文リスト

• Scalable Spatiotemporal Prediction with Bayesian Neural Fields [3.3299088915999295]
  BayesNFは、高容量関数推定のための新しいディープニューラルネットワークアーキテクチャである。 気候および公衆衛生データセットからの統計的機械学習予測問題に対してベイズNFを評価した。
  論文  参考訳（メタデータ） (2024-03-12T13:47:50Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• LMD: Light-weight Prediction Quality Estimation for Object Detection in Lidar Point Clouds [3.927702899922668]
  Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。 不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。 予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。 本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2023-06-13T15:13:29Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Efficient and Robust Classification for Sparse Attacks [34.48667992227529]
  我々は、画像認識、自然言語処理、マルウェア検出の領域において効果的な攻撃として示されてきた$ell$-normで束縛された摂動を考える。 我々は,「トランケーション」と「アドリアル・トレーニング」を組み合わせた新しい防衛手法を提案する。 得られた洞察に触発され、これらのコンポーネントをニューラルネットワーク分類器に拡張する。
  論文  参考訳（メタデータ） (2022-01-23T21:18:17Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Efficient Nearest Neighbor Language Models [114.40866461741795]
  非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。 比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-09-09T12:32:28Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)
• Early Forecasting of Text Classification Accuracy and F-Measure with Active Learning [0.7614628596146599]
  テキスト分類システムの性能指標として,精度とF尺度を用いた場合の予測困難度の違いについて検討する。 予測は決定木学習において最も容易であり、サポートベクトルマシンでは適度であり、ニューラルネットワークでは最も難しい。
  論文  参考訳（メタデータ） (2020-01-20T06:27:33Z)

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。