論文の概要: Layer-based Composite Reputation Bootstrapping

• arxiv url: http://arxiv.org/abs/2102.09951v1
• Date: Mon, 1 Feb 2021 15:00:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:23:55.303456
• Title: Layer-based Composite Reputation Bootstrapping
• Title（参考訳）: 層ベース複合評価ブートストラップ
• Authors: Sajib Mistry, Athman Bouguettaya, Lie Qu
• Abstract要約: 複数の評判関連の指標がレイヤベースのフレームワークで検討され、コンポーネントサービスの評判を暗黙的に反映する。 コンポジットサービスの評判とコンポーネントサービスの評判指標との相関性を調べるために,トポロジ認識フォレストディープニューラルネットワーク(fDNN)を提案する。 トレーニングされたfDNNモデルは、信頼性の高い新しいコンポジットサービスの評判を予測する。
• 参考スコア（独自算出の注目度）: 1.4180331276028662
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a novel generic reputation bootstrapping framework for composite services. Multiple reputation-related indicators are considered in a layer-based framework to implicitly reflect the reputation of the component services. The importance of an indicator on the future performance of a component service is learned using a modified Random Forest algorithm. We propose a topology-aware Forest Deep Neural Network (fDNN) to find the correlations between the reputation of a composite service and reputation indicators of component services. The trained fDNN model predicts the reputation of a new composite service with the confidence value. Experimental results with real-world dataset prove the efficiency of the proposed approach.
• Abstract（参考訳）: 複合サービスのための新しい汎用評価ブートストラップフレームワークを提案する。 複数の評判関連の指標がレイヤベースのフレームワークで検討され、コンポーネントサービスの評判を暗黙的に反映する。 コンポーネントサービスの将来のパフォーマンスに対する指標の重要性は、修正されたランダムフォレストアルゴリズムを用いて学習される。 本研究では,複合サービスの評価とコンポーネントサービスの評価指標の相関関係を明らかにするために,トポロジー対応フォレスト深層ニューラルネットワーク(fdnn)を提案する。 トレーニングされたfDNNモデルは、信頼性の高い新しいコンポジットサービスの評判を予測する。 実世界のデータセットを用いた実験により,提案手法の有効性が証明された。

関連論文リスト

• Layer-Wise Relevance Propagation with Conservation Property for ResNet [9.584500177841125]
  本稿では、ニューラルネットワーク予測を説明するためにRelevance Splittingを導入する。 提案手法は, インサーション・削除スコアなどの評価指標において, 優れた性能を実現する。 コードの詳細はhttps://5ei74r0.github.io/lrp-for-resnet.comで公開します。
  論文  参考訳（メタデータ） (2024-07-12T09:30:09Z)
• Unveiling Backbone Effects in CLIP: Exploring Representational Synergies and Variances [49.631908848868505]
  コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。 各種ニューラルアーキテクチャにおけるCLIP性能の違いについて検討する。 我々は、複数のバックボーンからの予測を組み合わせるためのシンプルで効果的なアプローチを提案し、最大6.34%のパフォーマンス向上につながった。
  論文  参考訳（メタデータ） (2023-12-22T03:01:41Z)
• Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
  合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。 実験結果から,本手法は既存手法よりも一貫した改善が得られた。 我々の手法はデータ効率が良く、競争のベースラインより優れています。
  論文  参考訳（メタデータ） (2023-11-27T06:19:50Z)
• Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems [23.480069921831344]
  協調反射強化オートエンコーダネットワーク(CRANet)を開発した。 CRANetは、観測された、観測されていないユーザーとイテムの相互作用から、転送可能な知識を探索することができる。 CRANetは2つの推奨タスクに対応する4つの多様なベンチマークデータセットに対して実験的に検証する。
  論文  参考訳（メタデータ） (2022-01-10T04:36:15Z)
• Learning Target-aware Representation for Visual Tracking via Informative Interactions [49.552877881662475]
  トラッキングのための特徴表現のターゲット認識能力を改善するために,新しいバックボーンアーキテクチャを提案する。 提案したGIMモジュールとInBN機構は、CNNやTransformerなど、さまざまなバックボーンタイプに適用可能である。
  論文  参考訳（メタデータ） (2022-01-07T16:22:27Z)
• SalFBNet: Learning Pseudo-Saliency Distribution via Feedback Convolutional Networks [8.195696498474579]
  本稿では,サリエンシ検出のためのフィードバック再帰的畳み込みフレームワーク(SalFBNet)を提案する。 大規模Pseudo-Saliencyデータセットを作成し、唾液度検出におけるデータ不足の問題を軽減する。
  論文  参考訳（メタデータ） (2021-12-07T14:39:45Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• Reputation Bootstrapping for Composite Services using CP-nets [0.15229257192293197]
  オンデマンドサービス構成の評判をブートストラップする新しいフレームワークを提案する。 コンポジションにおけるコンポーネントサービスに対する評価関連要因を条件付き優先度ネットワーク(CP-net)に適用する。
  論文  参考訳（メタデータ） (2021-05-27T02:51:23Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• ResNeSt: Split-Attention Networks [86.25490825631763]
  このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。 我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
  論文  参考訳（メタデータ） (2020-04-19T20:40:31Z)

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。