論文の概要: Using DeepProbLog to perform Complex Event Processing on an Audio Stream

• arxiv url: http://arxiv.org/abs/2110.08090v1
• Date: Fri, 15 Oct 2021 13:33:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 14:45:19.374030
• Title: Using DeepProbLog to perform Complex Event Processing on an Audio Stream
• Title（参考訳）: DeepProbLogを使ってオーディオストリーム上で複雑なイベント処理を行う
• Authors: Marc Roig Vilamala, Tianwei Xing, Harrison Taylor, Luis Garcia, Mani Srivastava, Lance Kaplan, Alun Preece, Angelika Kimmig, Federico Cerutti
• Abstract要約: 本稿では,DeepProbLogに基づく複合イベント処理(CEP)のアプローチを提案する。 i)サブシンボリックデータを入力として使用すること、(ii)複雑なイベントルールの定義に柔軟性とモジュラリティを保持すること、(iii)システムをエンドツーエンドでトレーニングすること、(iv)ノイズの多いラベル付きデータに対して堅牢であること、である。
• 参考スコア（独自算出の注目度）: 6.585497371387964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present an approach to Complex Event Processing (CEP) that is based on DeepProbLog. This approach has the following objectives: (i) allowing the use of subsymbolic data as an input, (ii) retaining the flexibility and modularity on the definitions of complex event rules, (iii) allowing the system to be trained in an end-to-end manner and (iv) being robust against noisily labelled data. Our approach makes use of DeepProbLog to create a neuro-symbolic architecture that combines a neural network to process the subsymbolic data with a probabilistic logic layer to allow the user to define the rules for the complex events. We demonstrate that our approach is capable of detecting complex events from an audio stream. We also demonstrate that our approach is capable of training even with a dataset that has a moderate proportion of noisy data.
• Abstract（参考訳）: 本稿では,DeepProbLogに基づく複合イベント処理(CEP)のアプローチを提案する。 このアプローチには次のような目的がある。 (i)副シンボルデータを入力として使用すること。 (ii)複雑なイベントルールの定義に柔軟性とモジュール性を保持すること。 (iii)システムをエンドツーエンドで訓練すること、及び (iv)不当にラベル付けされたデータに対して頑健である。 当社のアプローチでは、DeepProbLogを使用して、ニューラルネットワークを組み合わせてサブシンボリックデータを確率論的論理層に処理することで、複雑なイベントのルールをユーザが定義できるようにしています。 本手法は,オーディオストリームから複雑なイベントを検出できることを実証する。 また、ノイズの多いデータの割合が適度なデータセットであっても、このアプローチがトレーニング可能であることも示しています。

関連論文リスト

• DeepDFA: Automata Learning through Neural Probabilistic Relaxations [2.3326951882644553]
  本稿では,決定論的有限オートマタ(DFA)をトレースから識別する新しい手法であるDeepDFAを紹介する。 DFAとリカレントニューラルネットワーク(RNN)の確率的緩和にインスパイアされた当社のモデルは、複雑性の低減とトレーニング効率の向上とともに、トレーニング後の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2024-08-16T09:30:36Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Loop Polarity Analysis to Avoid Underspecification in Deep Learning [0.0]
  本稿では,データ生成過程の因果構造を特定するツールとして,ループ極性解析に目を向ける。 システムを構成する異なるフィードバックループの極性を測定することで、ニューラルネットワークのより堅牢な推論が可能になることを示す。
  論文  参考訳（メタデータ） (2023-09-18T23:49:42Z)
• Accessing and Interpreting OPC UA Event Traces based on Semantic Process Descriptions [69.9674326582747]
  本稿では、イベントデータのコンテキストに基づいて、プロダクションシステムのイベントデータにアクセスするアプローチを提案する。 本手法は,1)生産システムの階層構造の意味モデル,2)形式化されたプロセス記述,3)OPC UA情報モデルを組み合わせることによって,データベースシステムからフィルタリングイベントログを抽出する。
  論文  参考訳（メタデータ） (2022-07-25T15:13:44Z)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
  イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。 本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。 その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
  論文  参考訳（メタデータ） (2021-03-31T23:16:29Z)
• A Hybrid Neuro-Symbolic Approach for Complex Event Processing [10.462755876208124]
  本稿では,複合イベント処理が可能なイベント計算に基づくハイブリッド型ニューロシンボリックアーキテクチャを提案する。 ニューラルネットワークを利用して入力を解釈し、複雑なイベントのパターンを表現する論理ルールを記述します。 本研究では,Urban Sounds 8Kに基づくデータセットに対する純粋ニューラルネットワークアプローチとの比較を行った。
  論文  参考訳（メタデータ） (2020-09-07T21:05:51Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)
• Verifiable RNN-Based Policies for POMDPs Under Temporal Logic Constraints [31.829932777445894]
  RNNベースのポリシーの適用の大きな欠点は、行動仕様の満足度に関する正式な保証を提供することの難しさである。 形式的手法と機械学習の技法を統合することにより,RNNから有限状態制御器を自動的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T16:38:38Z)

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。