論文の概要: On risk-based active learning for structural health monitoring
- arxiv url: http://arxiv.org/abs/2105.05622v1
- Date: Wed, 12 May 2021 12:34:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-13 12:31:15.329739
- Title: On risk-based active learning for structural health monitoring
- Title（参考訳）: 構造的健康モニタリングのためのリスクベースアクティブラーニングについて
- Authors: A.J. Hughes, L.A. Bull, P. Gardner, R.J. Barthorpe, N. Dervilis, K.
Worden
- Abstract要約: 本稿では,構造的健康モニタリングシステムにおけるアクティブラーニングのリスクに基づく定式化について述べる。
クラスラベルのクエリは、その健康状態を決定するために関心のある構造の検査にマッピングすることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A primary motivation for the development and implementation of structural
health monitoring systems, is the prospect of gaining the ability to make
informed decisions regarding the operation and maintenance of structures and
infrastructure. Unfortunately, descriptive labels for measured data
corresponding to health-state information for the structure of interest are
seldom available prior to the implementation of a monitoring system. This issue
limits the applicability of the traditional supervised and unsupervised
approaches to machine learning in the development of statistical classifiers
for decision-supporting SHM systems.
The current paper presents a risk-based formulation of active learning, in
which the querying of class-label information is guided by the expected value
of said information for each incipient data point. When applied to structural
health monitoring, the querying of class labels can be mapped onto the
inspection of a structure of interest in order to determine its health state.
In the current paper, the risk-based active learning process is explained and
visualised via a representative numerical example and subsequently applied to
the Z24 Bridge benchmark. The results of the case studies indicate that a
decision-maker's performance can be improved via the risk-based active learning
of a statistical classifier, such that the decision process itself is taken
into account.
- Abstract（参考訳）: 構造的健康モニタリングシステムの開発と実施の主な動機は、構造的健康監視システムの運用と整備に関する情報的決定を行う能力を得ることである。
残念ながら、モニタリングシステムの実装前には、関心の構造に関する健康状態情報に対応する測定データの記述ラベルがほとんど利用できない。
この問題は、決定支援型SHMシステムのための統計的分類器の開発において、従来の教師なしおよび教師なしのアプローチの適用性を制限している。
本稿では,クラスラベル情報の問合せを,各初等データポイントに対する当該情報の期待値に導かれる,アクティブラーニングのリスクベースの定式化について述べる。
構造的健康モニタリングに適用すると、その状態を決定するために、クラスラベルの照会を関心の構造の検査にマッピングすることができる。
本稿では,リスクベースのアクティブラーニングプロセスを代表的数値例を用いて説明・可視化し,z24ブリッジベンチマークに適用する。
ケーススタディの結果から,意思決定者の性能は,統計的分類器のリスクベースのアクティブラーニングによって向上し,意思決定プロセス自体が考慮されることが示された。
関連論文リスト
- On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。
対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。
情報構造を明示する新しい強化学習モデルを定式化する。
論文 参考訳（メタデータ） (2024-03-01T21:28:19Z) - Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Accountability in Offline Reinforcement Learning: Explaining Decisions
with a Corpus of Examples [70.84093873437425]
本稿では、オフラインデータセットを決定コーパスとして利用するAOC(Accountable Offline Controller)を紹介する。
AOCはローデータシナリオで効果的に動作し、厳密なオフラインの模倣設定まで拡張でき、保存性と適応性の両方の品質を示す。
シミュレーションおよび実世界の医療シナリオにおいて、AOCのパフォーマンスを評価し、説明責任を維持しながら高いレベルのパフォーマンスでオフライン制御タスクを管理する能力を強調した。
論文 参考訳（メタデータ） (2023-10-11T17:20:32Z) - QXAI: Explainable AI Framework for Quantitative Analysis in Patient
Monitoring Systems [9.29069202652354]
定量的分析のための説明可能なAI(QXAI)フレームワークは、回帰および分類タスクのポストホックモデル説明可能性と本質的な説明可能性によって提案される。
我々は,センサデータに基づく心拍数予測と身体活動の分類を行うために,人工ニューラルネットワーク (ANN) と注意に基づく双方向LSTM (BiLSTM) モデルを採用した。
論文 参考訳（メタデータ） (2023-09-19T03:50:30Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Towards risk-informed PBSHM: Populations as hierarchical systems [0.0]
本稿では、リスクベースの意思決定プロセスがそれらの内部で特定されるように、構造群を形式的に表現する。
人口ベース表現は、断層木を定義する確率論的リスクベースの決定枠組みの中で使用される構造の階層的表現の拡張である。
論文 参考訳（メタデータ） (2023-03-13T15:42:50Z) - Evaluating Disentanglement in Generative Models Without Knowledge of
Latent Factors [71.79984112148865]
本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。
本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
論文 参考訳（メタデータ） (2022-10-04T17:27:29Z) - Improving decision-making via risk-based active learning: Probabilistic
discriminative classifiers [0.0]
監視されたシステムの状態に対応する測定データの記述ラベルは、しばしば利用できない。
この問題に対処する1つのアプローチは、リスクベースのアクティブラーニングである。
本論文では,識別モデルを用いた代替型分類器の利点について述べる。
論文 参考訳（メタデータ） (2022-06-23T10:51:42Z) - On robust risk-based active-learning algorithms for enhanced decision
support [0.0]
分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。
本稿では,サンプリングバイアスの効果に対処する2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2022-01-07T17:25:41Z) - (Un)fairness in Post-operative Complication Prediction Models [20.16366948502659]
手術前のリスク推定の実例を考察し,様々なアルゴリズムの偏見や不公平性について検討する。
当社のアプローチでは,潜在的なバイアスに関する透過的なドキュメントを作成して,ユーザが慎重にモデルを適用できるようにしています。
論文 参考訳（メタデータ） (2020-11-03T22:11:19Z) - Interpretable Off-Policy Evaluation in Reinforcement Learning by
Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。
信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。
我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文 参考訳（メタデータ） (2020-02-10T00:26:43Z)
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。