Fugu-MT 論文翻訳(概要): A Simplistic Machine Learning Approach to Contact Tracing

論文の概要: A Simplistic Machine Learning Approach to Contact Tracing

arxiv url: http://arxiv.org/abs/2012.05940v1
Date: Thu, 10 Dec 2020 19:34:48 GMT
ステータス: 処理完了
システム内更新日: 2021-05-15 06:34:55.207491
Title: A Simplistic Machine Learning Approach to Contact Tracing
Title（参考訳）: シンプルな機械学習による接触追跡
Authors: Carlos G\'omez, Niamh Belton, Boi Quach, Jack Nicholls, Devanshu Anand
Abstract要約: このレポートは、SFI Centre for Machine Learning (ML-Labs) が提供する修正NISTチャレンジである Too Close For Too Long に基づいている。携帯機器データから特徴を手作りすることで、2つのスマートフォン間の距離を推定する2つの機械学習モデルを開発する。我々の手法は、主要なNIST課題をかなりの差で上回ることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This report is based on the modified NIST challenge, Too Close For Too Long, provided by the SFI Centre for Machine Learning (ML-Labs). The modified challenge excludes the time calculation (too long) aspect. By handcrafting features from phone instrumental data we develop two machine learning models, a GBM and an MLP, to estimate distance between two phones. Our method is able to outperform the leading NIST challenge result by the Hong Kong University of Science and Technology (HKUST) by a significant margin.
Abstract（参考訳）: このレポートは、ML-Labs (SFI Centre for Machine Learning) が提供する修正NISTの課題である Too Close For Too Long に基づいている。修正された課題は、時間計算の側面(長すぎる)を除外する。携帯機器データから特徴を手作りすることにより、GBMとMLPという2つの機械学習モデルを開発し、2つの携帯電話間の距離を推定する。本手法は,香港科学技術大学(HKUST)によるNISTの課題を,かなりの差で克服することができる。

関連論文リスト

SAPT: A Shared Attention Framework for Parameter-Efficient Continual Learning of Large Language Models [71.78800549517298]
大規模言語モデル(LLM)を動的世界に展開するには,継続的な学習(CL)能力が不可欠である。既存の方法は、パラメータ効率チューニング(PET)ブロックを用いてタスク固有の知識を取得するための学習モジュールと、テスト入力に対して対応するものを選択するための選択モジュールを考案する。本稿では,共有注意学習と選択モジュールを通じてPET学習と選択を調整するための新しい共有注意フレームワーク(SAPT)を提案する。
論文参考訳（メタデータ） (2024-01-16T11:45:03Z)
Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文参考訳（メタデータ） (2023-10-04T20:27:20Z)
Simultaneous Machine Translation with Large Language Models [51.470478122113356]
我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。 MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
論文参考訳（メタデータ） (2023-09-13T04:06:47Z)
Multi-task twin support vector machine with Universum data [0.0]
本研究では,Universumデータを用いたマルチタスク学習の課題について考察する。 UMTSVM(Universum Data)を用いたマルチタスクツインサポートベクタマシンを提案し,そのソリューションに2つのアプローチを提供する。いくつかの一般的なマルチタスクデータセットと医療データセットに関する数値実験により,提案手法の有効性が示された。
論文参考訳（メタデータ） (2022-06-22T11:05:58Z)
Automatic Contact Tracing using Bluetooth Low Energy Signals and IMU Sensor Readings [0.0]
本稿では,SFI Centre for Machine Learning (ML-Labs) が提供する課題に対する解決策を提案する。 NIST Too Close For Too Long (TC4TL) Challengeの修正版であり、時間的側面は除外されている。本稿では,Bluetooth RSSI と IMU センサデータに基づく特徴に基づく手法を提案する。
論文参考訳（メタデータ） (2022-06-13T10:39:03Z)
A Machine Learning Approach to Digital Contact Tracing: TC4TL Challenge [0.0]
本稿では,2台の携帯電話端末間の距離を決定するための機械学習手法の開発について検討する。 Bluetooth Low Energy, センサデータ, メタデータを用いて, 既存の技術状況を改善する。
論文参考訳（メタデータ） (2022-03-08T13:42:20Z)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文参考訳（メタデータ） (2022-02-03T07:12:36Z)
SoK: Training Machine Learning Models over Multiple Sources with Privacy Preservation [1.567576360103422]
プライバシ保護を伴う複数のデータコントローラからの高品質なトレーニングデータは、高品質な機械学習モデルをトレーニングする上で重要な課題である。学術研究者と産業ベンダーの双方が,(1)セキュア多人数学習(MPL)と(2)フェデレートラーニング(FL)の2つのソリューションのメインストリームフォルダーを提案する動機付けが強くなっている。これら2つのソリューションには、プライバシ保護、通信方法、通信オーバーヘッド、データのフォーマット、トレーニング済みモデルの正確性、アプリケーションシナリオから評価する際のメリットと制限があります。
論文参考訳（メタデータ） (2020-12-06T22:24:28Z)
Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文参考訳（メタデータ） (2020-10-19T13:05:08Z)

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。