論文の概要: A microservice-based framework for exploring data selection in
cross-building knowledge transfer
- arxiv url: http://arxiv.org/abs/2102.12970v1
- Date: Tue, 23 Feb 2021 10:15:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 13:36:30.771817
- Title: A microservice-based framework for exploring data selection in
cross-building knowledge transfer
- Title(参考訳): クロスビルディング知識転送におけるデータ選択を探求するマイクロサービスベースのフレームワーク
- Authors: Mouna Labiadh (SOC, LIRIS, CETHIL), Christian Obrecht (CETHIL),
Catarina Ferreira da Silva (ISCTE-IUL), Parisa Ghodous (SOC, LIRIS)
- Abstract要約: 対象ドメインからのデータがない場合、複数のソースからの代表データ収集がしばしば必要となる。
既存のマルチソースデータでトレーニングされたモデルでは、ターゲットドメインの認識が不十分な場合があります。
このソリューションをサポートするためのマイクロサービス指向の方法論を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised deep learning has achieved remarkable success in various
applications. Successful machine learning application however depends on the
availability of sufficiently large amount of data. In the absence of data from
the target domain, representative data collection from multiple sources is
often needed. However, a model trained on existing multi-source data might
generalize poorly on the unseen target domain. This problem is referred to as
domain shift. In this paper, we explore the suitability of multi-source
training data selection to tackle the domain shift challenge in the context of
domain generalization. We also propose a microservice-oriented methodology for
supporting this solution. We perform our experimental study on the use case of
building energy consumption prediction. Experimental results suggest that
minimal building description is capable of improving cross-building
generalization performances when used to select energy consumption data.
- Abstract(参考訳): 改良されたディープラーニングは、様々なアプリケーションで顕著な成功を収めた。
しかし、成功した機械学習アプリケーションは、十分な量のデータの可用性に依存する。
対象ドメインからのデータがない場合、複数のソースからの代表的データ収集がしばしば必要となる。
しかしながら、既存のマルチソースデータでトレーニングされたモデルでは、ターゲットドメインの認識が不十分な場合があります。
この問題はドメインシフトと呼ばれる。
本稿では,マルチソーストレーニングデータ選択の妥当性について検討し,ドメイン一般化の文脈において,ドメインシフト課題に取り組む。
このソリューションをサポートするために,マイクロサービス指向の方法論も提案する。
我々は,建築エネルギー消費量予測のユースケースに関する実験研究を行っている。
実験結果から,最小限の建物記述により,エネルギー消費データの選択に用いる場合のクロスビルディング一般化性能が向上することが示唆された。
関連論文リスト
- LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳(メタデータ) (2024-02-06T19:18:04Z) - Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。
最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。
このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文 参考訳(メタデータ) (2023-03-02T17:32:11Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳(メタデータ) (2022-08-15T20:05:07Z) - Utilizing Out-Domain Datasets to Enhance Multi-Task Citation Analysis [4.526582372434088]
引用感情分析は、データセットアノテーションの不足と膨大なコストの両方に悩まされている。
モデルパフォーマンスを向上させるため、トレーニング中のドメイン外データの影響について検討する。
本稿では,感情分析と意図分析を対象とする,エンドツーエンドのトレーニング可能なマルチタスクモデルを提案する。
論文 参考訳(メタデータ) (2022-02-22T13:33:48Z) - Cross-Domain Generalization and Knowledge Transfer in Transformers
Trained on Legal Data [0.0]
異なる型システムで注釈付けされたデータセット間で知識を伝達する事前学習言語モデルの解析を行う。
文がケース決定で果たす修辞的役割の予測は、AI & Lawにおいて重要かつしばしば研究される課題である。
論文 参考訳(メタデータ) (2021-12-15T04:23:14Z) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳(メタデータ) (2021-10-24T22:33:52Z) - Bridge Data: Boosting Generalization of Robotic Skills with Cross-Domain
Datasets [122.85598648289789]
マルチドメインとマルチタスクのデータセットが、新しい環境における新しいタスクの学習を改善する方法について検討する。
また、新しいドメイン内の少数のタスクのみのデータによって、ドメインギャップを埋めることができ、ロボットが他のドメインでしか見られなかったさまざまなタスクを実行できることもわかりました。
論文 参考訳(メタデータ) (2021-09-27T23:42:12Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - $n$-Reference Transfer Learning for Saliency Prediction [73.17061116358036]
本稿では,サリエンシ予測のための数発のトランスファー学習パラダイムを提案する。
提案するフレームワークは勾配ベースでモデルに依存しない。
その結果,提案フレームワークは大幅な性能向上を実現していることがわかった。
論文 参考訳(メタデータ) (2020-07-09T23:20:44Z) - Learning Cross-domain Generalizable Features by Representation
Disentanglement [11.74643883335152]
ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。
本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。
本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
論文 参考訳(メタデータ) (2020-02-29T17:53:16Z)
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。