論文の概要: Customizable Reference Runtime Monitoring of Neural Networks using Resolution Boxes

• arxiv url: http://arxiv.org/abs/2104.14435v1
• Date: Sun, 25 Apr 2021 21:58:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 13:14:16.834571
• Title: Customizable Reference Runtime Monitoring of Neural Networks using Resolution Boxes
• Title（参考訳）: レゾリューションボックスを用いたニューラルネットワークのカスタマイズ可能な参照実行監視
• Authors: Changshun Wu, Yli\`es Falcone, Saddek Bensalem
• Abstract要約: データ抽象化による分類システムのモニタリング手法を提案する。 ボックスベースの抽象化は、各次元の最小値と最大値で値の集合を表す。 ボックスを解像度の概念で拡張し、クラスタリングカバレッジを定義します。これは直感的に抽象化品質を示す定量的指標です。
• 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: We present an approach for monitoring classification systems via data abstraction. Data abstraction relies on the notion of box with a resolution. Box-based abstraction consists in representing a set of values by its minimal and maximal values in each dimension. We augment boxes with a notion of resolution and define their clustering coverage, which is intuitively a quantitative metric that indicates the abstraction quality. This allows studying the effect of different clustering parameters on the constructed boxes and estimating an interval of sub-optimal parameters. Moreover, we automatically construct monitors that leverage both the correct and incorrect behaviors of a system. This allows checking the size of the monitor abstractions and analyzing the separability of the network. Monitors are obtained by combining the sub-monitors of each class of the system placed at some selected layers. Our experiments demonstrate the effectiveness of our clustering coverage estimation and show how to assess the effectiveness and precision of monitors according to the selected clustering parameter and monitored layers.
• Abstract（参考訳）: データ抽象化による分類システムのモニタリング手法を提案する。 データ抽象化は、解決を伴うボックスの概念に依存します。 Boxベースの抽象化は、各次元の最小値と最大値で値の集合を表現する。 ボックスを解像度の概念で拡張し、クラスタリングのカバレッジを定義します。 これにより、構築されたボックスに異なるクラスタリングパラメータが与える影響を研究し、サブ最適パラメータの間隔を推定できる。 さらに,システムの正しい動作と不正確な動作の両方を利用するモニタを自動生成する。 これにより、モニタの抽象化のサイズをチェックし、ネットワークの分離性を分析することができる。 モニタは、選択された層に配置されたシステムの各クラスのサブモニターを組み合わせることで得られる。 本実験は,クラスタリングカバレッジ推定の有効性を実証し,選択したクラスタリングパラメータとモニタ層に基づいてモニタの有効性と精度を評価する方法を示す。

関連論文リスト

• An Agglomerative Clustering of Simulation Output Distributions Using Regularized Wasserstein Distance [0.0]
  本稿では,正規化ワッサーシュタイン距離をクラスタシミュレーション出力に利用した新しいクラスタリングアルゴリズムを提案する。 このフレームワークには、異常検出、事前最適化、オンライン監視など、いくつかの重要なユースケースがある。
  論文  参考訳（メタデータ） (2024-07-16T18:07:32Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Designing monitoring strategies for deployed machine learning algorithms: navigating performativity through a causal lens [6.329470650220206]
  この研究の目的は、監視戦略を設計する際の比較的過小評価されている複雑さを強調することである。 MLに基づく未計画の読み出し予測のためのリスク予測アルゴリズムについて検討する。 このケーススタディの結果は、すべての監視システムが平等に作成されるわけではないという、一見単純な(そして明らかな)事実を強調します。
  論文  参考訳（メタデータ） (2023-11-20T00:15:16Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• WDiscOOD: Out-of-Distribution Detection via Whitened Linear Discriminant Analysis [21.023001428704085]
  本稿では,クラス固有情報とクラス非依存情報に基づく新しい特徴空間OOD検出スコアを提案する。 WDiscOODという手法の有効性を,大規模なImageNet-1kベンチマークで検証した。
  論文  参考訳（メタデータ） (2023-03-14T00:13:57Z)
• Linear Partial Monitoring for Sequential Decision-Making: Algorithms, Regret Bounds and Applications [70.67112733968654]
  部分的なモニタリングは、シーケンシャルな意思決定のための表現力のあるフレームワークである。 本稿では,部分的モニタリングをシンプルかつ統一的に分析し,そのモデルをさらに文脈的かつカーネル化された設定に拡張する。
  論文  参考訳（メタデータ） (2023-02-07T18:58:25Z)
• Runtime Monitoring for Out-of-Distribution Detection in Object Detection Neural Networks [0.0]
  監視は、業界で使用されている実際のニューラルネットワークの設定における検証の、より現実的で適用可能な代替手段を提供する。 本稿では,これまで提案されてきた分類ネットワークを,複数のオブジェクトの識別と位置同定が可能な認識システムに拡張する。
  論文  参考訳（メタデータ） (2022-12-15T12:50:42Z)
• A Bayesian Detect to Track System for Robust Visual Object Tracking and Semi-Supervised Model Learning [1.7268829007643391]
  ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。 本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。 粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2022-05-05T00:18:57Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings [54.33327082243022]
  ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
  論文  参考訳（メタデータ） (2020-03-29T09:06:28Z)
• Adaptive Object Detection with Dual Multi-Label Prediction [78.69064917947624]
  本稿では,適応オブジェクト検出のための新しいエンド・ツー・エンドの非教師付き深部ドメイン適応モデルを提案する。 モデルはマルチラベル予測を利用して、各画像内の対象カテゴリ情報を明らかにする。 本稿では,オブジェクト検出を支援するための予測整合正則化機構を提案する。
  論文  参考訳（メタデータ） (2020-03-29T04:23:22Z)

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。