論文の概要: Empirically Measuring Transfer Distance for System Design and Operation
- arxiv url: http://arxiv.org/abs/2107.01184v1
- Date: Fri, 2 Jul 2021 16:45:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-05 12:40:16.175947
- Title: Empirically Measuring Transfer Distance for System Design and Operation
- Title（参考訳）: システム設計と運用のための伝達距離の実証計測
- Authors: Tyler Cody, Stephen Adams, Peter A. Beling
- Abstract要約: 転送学習アルゴリズムには、学習すべき例がほとんどないことを示す。
本稿では, 転送可能な予測モデルを実現するために, マシン再構築手順の設計における転送距離の利用を検討する。
実践者は、コンポーネント学習システムで直面する学習理論上の課題を考慮したシステムの設計と運用に、提示された方法論を利用することができる。
- 参考スコア（独自算出の注目度）: 2.9864637081333085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classical machine learning approaches are sensitive to non-stationarity.
Transfer learning can address non-stationarity by sharing knowledge from one
system to another, however, in areas like machine prognostics and defense, data
is fundamentally limited. Therefore, transfer learning algorithms have little,
if any, examples from which to learn. Herein, we suggest that these constraints
on algorithmic learning can be addressed by systems engineering. We formally
define transfer distance in general terms and demonstrate its use in
empirically quantifying the transferability of models. We consider the use of
transfer distance in the design of machine rebuild procedures to allow for
transferable prognostic models. We also consider the use of transfer distance
in predicting operational performance in computer vision. Practitioners can use
the presented methodology to design and operate systems with consideration for
the learning theoretic challenges faced by component learning systems.
- Abstract（参考訳）: 古典的な機械学習アプローチは非定常性に敏感である。
転送学習は、あるシステムから別のシステムへの知識を共有することによって、非定常性に対処することができるが、機械の予測や防御といった分野においては、データは基本的に制限される。
したがって、転送学習アルゴリズムには、学習すべき例がほとんどない。
本稿では,これらのアルゴリズム学習の制約がシステム工学によって対処可能であることを示唆する。
一般に移動距離を定式化し,モデルの伝達可能性の実証的定量化におけるその利用を実証する。
我々は, 転置可能な予測モデルを実現するために, 機械改造手順の設計における移動距離の利用を検討する。
また,コンピュータビジョンにおける操作性能予測における転送距離の利用も検討する。
経験者は、コンポーネント学習システムで直面する学習論的課題を考慮して、提示された方法論を使ってシステムの設計と運用を行うことができる。
関連論文リスト
- Transfer Learning Study of Motion Transformer-based Trajectory Predictions [1.2972104025246092]
自動運転における軌道計画は、他の道路利用者の緊急行動を予測することに大きく依存している。
学習ベースの手法は現在、シミュレーションベースの課題において印象的な結果を示している。
本研究は,実世界への効果的な移行を支援するために,計算時間と性能のトレードオフの可能性に関する洞察を提供することを目的としている。
論文 参考訳（メタデータ） (2024-04-12T06:50:32Z) - Interpretable Meta-Learning of Physical Systems [4.343110120255532]
最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。
我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。
本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
論文 参考訳（メタデータ） (2023-12-01T10:18:50Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳（メタデータ） (2021-11-28T14:24:52Z) - Learning-Based UE Classification in Millimeter-Wave Cellular Systems
With Mobility [67.81523988596841]
ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。
効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。
これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
論文 参考訳（メタデータ） (2021-09-13T12:00:45Z) - A Bayesian Approach to (Online) Transfer Learning: Theory and Algorithms [6.193838300896449]
本稿では,パラメトリック統計モデルを用いたベイズ的観点からの移動学習について検討する。
具体的には,移動学習問題,即時学習,オンライン学習,時変学習の3つの変種について検討する。
各問題に対して、適切な目的関数を定義し、学習性能の正確な表現または上限を提供する。
例は、小さなサンプルサイズであっても、導出した境界が正確であることを示している。
論文 参考訳（メタデータ） (2021-09-03T08:43:29Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Transfer Learning as an Enabler of the Intelligent Digital Twin [0.0]
デジタルツインは、仮想コミッショニング、障害予測、再構成計画など、多くの分野で有益であると説明されてきた。
本稿では,知的デジタルツインを用いた多段階産業移行学習のユースケースについて述べる。
論文 参考訳（メタデータ） (2020-12-03T13:51:05Z) - What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。
事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文 参考訳（メタデータ） (2020-08-26T17:23:40Z)
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。