Fugu-MT 論文翻訳(概要): Network Generalization Prediction for Safety Critical Tasks in Novel Operating Domains

論文の概要: Network Generalization Prediction for Safety Critical Tasks in Novel Operating Domains

arxiv url: http://arxiv.org/abs/2108.07399v1
Date: Tue, 17 Aug 2021 01:55:54 GMT
ステータス: 処理完了
システム内更新日: 2021-08-18 23:26:39.626806
Title: Network Generalization Prediction for Safety Critical Tasks in Novel Operating Domains
Title（参考訳）: 新規操作領域における安全クリティカルタスクのネットワーク一般化予測
Authors: Molly O'Brien, Mike Medoff, Julia Bukowski, and Greg Hager
Abstract要約: 本稿では,新しい操作領域において期待されるネットワーク性能を予測するタスクネットワーク一般化予測を提案する。本稿では、解釈可能なコンテキストサブスペースの観点からネットワーク性能を記述し、ネットワーク性能に関する最も優れた情報を提供するコンテキストサブスペースの特徴を選択するため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://creativecommons.org/licenses/by/4.0/
Abstract: It is well known that Neural Network (network) performance often degrades when a network is used in novel operating domains that differ from its training and testing domains. This is a major limitation, as networks are being integrated into safety critical, cyber-physical systems that must work in unconstrained environments, e.g., perception for autonomous vehicles. Training networks that generalize to novel operating domains and that extract robust features is an active area of research, but previous work fails to predict what the network performance will be in novel operating domains. We propose the task Network Generalization Prediction: predicting the expected network performance in novel operating domains. We describe the network performance in terms of an interpretable Context Subspace, and we propose a methodology for selecting the features of the Context Subspace that provide the most information about the network performance. We identify the Context Subspace for a pretrained Faster RCNN network performing pedestrian detection on the Berkeley Deep Drive (BDD) Dataset, and demonstrate Network Generalization Prediction accuracy within 5% or less of observed performance. We also demonstrate that the Context Subspace from the BDD Dataset is informative for completely unseen datasets, JAAD and Cityscapes, where predictions have a bias of 10% or less.
Abstract（参考訳）: ニューラルネットワーク(ネットワーク)のパフォーマンスは、トレーニングやテストのドメインとは異なる、新たな運用ドメインでネットワークが使用されると、しばしば低下する。ネットワークは安全クリティカルなサイバーフィジカルシステムに統合されており、例えば自動運転車の認識など、制約のない環境で動作しなければならないため、これは大きな制限となっている。新たなオペレーティングドメインに一般化し、ロバストな特徴を抽出するトレーニングネットワークは、研究の活発な領域であるが、新しいオペレーティングドメインにおけるネットワークパフォーマンスの予測には失敗している。本稿では,新しい操作領域におけるネットワーク性能を予測するタスクネットワーク一般化予測を提案する。本稿では、解釈可能なコンテキストサブスペースの観点からネットワーク性能を記述し、ネットワーク性能に関する最も優れた情報を提供するコンテキストサブスペースの特徴を選択する手法を提案する。我々は,バークレーディープドライブ(BDD)データセット上で歩行者検出を行う事前訓練された高速RCNNネットワークのコンテキスト部分空間を特定し,観測性能の5%以下でネットワーク一般化予測の精度を示す。また、BDDデータセットのContext Subspaceは、予測のバイアスが10%以下である、完全に見えないデータセット、JAAD、Cityscapesに対して有益であることも示しています。

関連論文リスト

Comprehensive Analysis of Network Robustness Evaluation Based on Convolutional Neural Networks with Spatial Pyramid Pooling [4.366824280429597]
複雑なネットワークを理解し、最適化し、修復するための重要な側面である接続性の堅牢性は、伝統的にシミュレーションを通じて評価されてきた。空間ピラミッドプールネットワーク(SPP-net)を用いた畳み込みニューラルネットワーク(CNN)モデルの設計により,これらの課題に対処する。提案したCNNモデルは,全ての除去シナリオにおいて,攻撃曲線とロバストネスの両値の正確な評価を一貫して達成していることを示す。
論文参考訳（メタデータ） (2023-08-10T09:54:22Z)
Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文参考訳（メタデータ） (2022-11-15T13:00:25Z)
The Multiple Subnetwork Hypothesis: Enabling Multidomain Learning by Isolating Task-Specific Subnetworks in Feedforward Neural Networks [0.0]
我々は,未使用の重み付きネットワークがその後のタスクを学習するための方法論とネットワーク表現構造を同定する。提案手法を用いてトレーニングされたネットワークは,タスクのパフォーマンスを犠牲にすることなく,あるいは破滅的な忘れを伴わずに,複数のタスクを学習できることを示す。
論文参考訳（メタデータ） (2022-07-18T15:07:13Z)
A Broad Study of Pre-training for Domain Generalization and Adaptation [69.38359595534807]
ドメイン適応と一般化のための事前学習の幅広い研究と詳細な分析を行う。我々は、単に最先端のバックボーンを使用することで、既存の最先端のドメイン適応ベースラインより優れていることを観察する。
論文参考訳（メタデータ） (2022-03-22T15:38:36Z)
Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文参考訳（メタデータ） (2021-08-20T12:09:38Z)
Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文参考訳（メタデータ） (2021-08-20T11:53:05Z)
Topological Uncertainty: Monitoring trained neural networks through persistence of activation graphs [0.9786690381850356]
産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
論文参考訳（メタデータ） (2021-05-07T14:16:03Z)
Network Embedding via Deep Prediction Model [25.727377978617465]
本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
論文参考訳（メタデータ） (2021-04-27T16:56:00Z)
Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
論文参考訳（メタデータ） (2020-10-30T10:03:48Z)
Dynamic Graph Neural Network for Traffic Forecasting in Wide Area Networks [1.0934800950965335]
我々は,マルチステップネットワークトラフィック予測のための非自動グラフベースニューラルネットワークを開発した。我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
論文参考訳（メタデータ） (2020-08-28T17:47:11Z)
DSDNet: Deep Structured self-Driving Network [92.9456652486422]
本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
論文参考訳（メタデータ） (2020-08-13T17:54:06Z)

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。