論文の概要: Continual Distributed Learning for Crisis Management
- arxiv url: http://arxiv.org/abs/2104.12876v1
- Date: Mon, 26 Apr 2021 21:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 00:04:24.661287
- Title: Continual Distributed Learning for Crisis Management
- Title(参考訳): 危機管理のための継続的分散学習
- Authors: Aman Priyanshu and Mudit Sinha and Shreyans Mehta
- Abstract要約: Twitterなどのソーシャルメディアプラットフォームは、緊急時のモバイル通信に優れたリソースを提供します。
このような状況下に存在するデータは絶えず変化しており、危機時のリソースは容易には利用できない可能性がある。
低リソースで継続的な学習システムを開発し、NLPモデルをノイズの多い無秩序なデータに対して堅牢にする必要があります。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social media platforms such as Twitter provide an excellent resource for
mobile communication during emergency events. During the sudden onset of a
natural or artificial disaster, important information may be posted on Twitter
or similar web forums. This information can be used for disaster response and
crisis management if processed accurately. However, the data present in such
situations is ever-changing, and considerable resources during such crisis may
not be readily available. Therefore, a low resource, continually learning
system must be developed to incorporate and make NLP models robust against
noisy and unordered data. We utilise regularisation to alleviate catastrophic
forgetting in the target neural networks while taking a distributed approach to
enable learning on resource-constrained devices. We employ federated learning
for distributed learning and aggregation of the central model for continual
deployment.
- Abstract(参考訳): Twitterのようなソーシャルメディアプラットフォームは、緊急時のモバイル通信に優れたリソースを提供する。
自然災害や人工災害が突然発生したとき、重要な情報はTwitterや同様のWebフォーラムに投稿される。
この情報は、正確に処理すれば災害対応や危機管理に使用できる。
しかし、このような状況にあるデータは常に変化しており、そのような危機の間にかなりのリソースが手に入ることはないかもしれない。
したがって、低リソースで継続的な学習システムは、ノイズや秩序のないデータに対してNLPモデルを堅牢化するために開発されなければならない。
我々は、リソース制約のあるデバイスで学習できるように分散アプローチを採用しながら、ターゲットニューラルネットワークにおける破滅的な忘れを緩和するために正規化を利用する。
分散学習にフェデレーション学習を採用し,継続的デプロイのための中央モデルの集約を行う。
関連論文リスト
- CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster
Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。
私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文 参考訳(メタデータ) (2023-10-23T07:01:09Z) - DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet
Classification via Memory Bank [52.20298962359658]
危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。
完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。
半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。
本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
論文 参考訳(メタデータ) (2023-10-23T05:25:51Z) - Exploring the Impact of Disrupted Peer-to-Peer Communications on Fully
Decentralized Learning in Disaster Scenarios [4.618221836001186]
完全な分散学習により、複数のユーザデバイスやノードにまたがる学習リソースの分散が可能になる。
本研究では,災害環境下での分散学習におけるピアツーピアコミュニケーションに対する様々な障害の影響について検討する。
論文 参考訳(メタデータ) (2023-10-04T17:24:38Z) - Robust, Deep, and Reinforcement Learning for Management of Communication
and Power Networks [6.09170287691728]
本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。
次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。
この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
論文 参考訳(メタデータ) (2022-02-08T05:49:06Z) - Disaster Tweets Classification using BERT-Based Language Model [6.700873164609009]
ソーシャルネットワーキングサービスは、緊急時において重要なコミュニケーションチャネルとなっている。
本研究の目的は、人や地域が危険にさらされているかどうかを調査できる機械学習言語モデルを作ることである。
論文 参考訳(メタデータ) (2022-01-31T10:25:29Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳(メタデータ) (2021-12-09T07:11:14Z) - RelaySum for Decentralized Deep Learning on Heterogeneous Data [71.36228931225362]
分散機械学習では、労働者はローカルデータのモデル更新を計算する。
労働者は中心的な調整なしに隣人とのみ通信するため、これらの更新はネットワーク上で徐々に伝播する。
このパラダイムは、全接続のないネットワーク上での分散トレーニングを可能にし、データのプライバシ保護と、データセンタでの分散トレーニングの通信コストの削減を支援する。
論文 参考訳(メタデータ) (2021-10-08T14:55:32Z) - Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。
当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。
我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
論文 参考訳(メタデータ) (2021-03-08T21:48:55Z) - Improving Community Resiliency and Emergency Response With Artificial
Intelligence [0.05541644538483946]
我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。
本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。
これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
論文 参考訳(メタデータ) (2020-05-28T18:05:08Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。