論文の概要: IEEE BigData 2021 Cup: Soft Sensing at Scale

• arxiv url: http://arxiv.org/abs/2109.03181v1
• Date: Tue, 7 Sep 2021 16:19:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:30:43.286867
• Title: IEEE BigData 2021 Cup: Soft Sensing at Scale
• Title（参考訳）: IEEE BigData 2021 Cup: スケールでのソフトセンシング
• Authors: Sergei Petrov, Chao Zhang, Jaswanth Yella, Yu Huang, Xiaoye Qian, Sthitie Bom
• Abstract要約: IEEE BigData 2021 Cup: Soft Sensing at ScaleはSeagate Technologyが主催するデータマイニングコンペティションである。 課題の詳細を調べ、参加者に提供するデータセットを説明します。 私たちは、私たちのアプローチで得られた結果について議論し、参加者が直面する可能性のある課題について洞察を与えます。
• 参考スコア（独自算出の注目度）: 5.117703011901707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IEEE BigData 2021 Cup: Soft Sensing at Scale is a data mining competition organized by Seagate Technology, in association with the IEEE BigData 2021 conference. The scope of this challenge is to tackle the task of classifying soft sensing data with machine learning techniques. In this paper we go into the details of the challenge and describe the data set provided to participants. We define the metrics of interest, baseline models, and describe approaches we found meaningful which may be a good starting point for further analysis. We discuss the results obtained with our approaches and give insights on what potential challenges participants may run into. Students, researchers, and anyone interested in working on a major industrial problem are welcome to participate in the challenge!
• Abstract（参考訳）: IEEE BigData 2021 Cup: Soft Sensing at Scaleは、Seagate TechnologyがIEEE BigData 2021カンファレンスで主催したデータマイニングコンペティションである。 この課題のスコープは、ソフトセンシングデータを機械学習技術で分類する作業に取り組むことである。 本稿では,課題の詳細を説明し,参加者に提供されるデータセットについて述べる。 興味の指標を定義し、ベースラインモデルを定義し、さらに分析の出発点となる有意義なアプローチを記述します。 我々のアプローチで得られた結果について議論し、参加者が直面する可能性のある課題について洞察を与えます。 学生、研究者、そして大きな産業問題に取り組むことに興味のある人は、この挑戦に参加することを歓迎します!

関連論文リスト

• Ensemble Learning to Assess Dynamics of Affective Experience Ratings and Physiological Change [15.094086415816632]
  理論的仮定とデータ駆動手法を組み合わせたデータ解析ソリューションを提案する。 この戦略により、テストセットにおけるRMSE全体の1.19が得られた。
  論文  参考訳（メタデータ） (2023-12-26T12:53:57Z)
• Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
  まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。 次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。 提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-22T22:15:17Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• ABAW: Learning from Synthetic Data & Multi-Task Learning Challenges [4.273075747204267]
  本稿では、2022年欧州コンピュータビジョン会議(ECCV)と共同で開催された第4回ABAWコンペティションについて述べる。
  論文  参考訳（メタデータ） (2022-07-03T22:43:33Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• Global Road Damage Detection: State-of-the-art Solutions [0.0]
  本稿では,2020年のIEEE International Conference on Big Dataの一部として組織されたビッグデータカップであるGlobal Road damage Detection Challenge(GRDDC)を要約する。 このデータは、インド、日本、チェコ共和国から収集された26336枚の道路画像から成り、道路損傷を自動的に検出する方法を提案する。 論文は、提示された課題と将来の課題で改善される可能性のある課題に対して、うまく機能するファセットのレビューで締めくくっている。
  論文  参考訳（メタデータ） (2020-11-17T16:19:02Z)
• LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
  Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。 我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。 この技術的レポートは、課題のハイライトを要約している。
  論文  参考訳（メタデータ） (2020-10-17T13:06:12Z)
• Analysing Affective Behavior in the First ABAW 2020 Competition [49.90617840789334]
  ABAW(Affective Behavior Analysis in-the-Wild) 2020コンペティションは、3つの主要な行動タスクの自動分析を目的とした最初のコンペティションである。 アルゼンチンのブエノスアイレスで2020年5月に開催されたIEEE Face and Gesture Recognitionと共同で開催されるこのコンペティションについて説明する。 評価指標を概説し,ベースラインシステムとトップ3の実施するチームの方法論をチャレンジ毎に提示し,その結果を最終的に提示する。
  論文  参考訳（メタデータ） (2020-01-30T15:41:14Z)

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。