Fugu-MT 論文翻訳(概要): When Neural Networks Using Different Sensors Create Similar Features

論文の概要: When Neural Networks Using Different Sensors Create Similar Features

arxiv url: http://arxiv.org/abs/2111.02732v1
Date: Thu, 4 Nov 2021 10:35:57 GMT
ステータス: 処理完了
システム内更新日: 2021-11-05 13:19:34.500390
Title: When Neural Networks Using Different Sensors Create Similar Features
Title（参考訳）: 異なるセンサを用いたニューラルネットワークが類似した特徴を創出する
Authors: Hugues Moreau (CEA-LETI, LIRIS), Andr\'ea Vassilev (CEA-LETI), Liming Chen (LIRIS, ECL)
Abstract要約: ニューラルネットワークが異なるセンサーからトレーニングされる問題の一例を示す。各センサについて、最も他のセンサと相関する最終層からの特徴の線形結合は、分類層の分類成分に対応する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multimodal problems are omnipresent in the real world: autonomous driving, robotic grasping, scene understanding, etc... We draw from the well-developed analysis of similarity to provide an example of a problem where neural networks are trained from different sensors, and where the features extracted from these sensors still carry similar information. More precisely, we demonstrate that for each sensor, the linear combination of the features from the last layer that correlates the most with other sensors corresponds to the classification components of the classification layer.
Abstract（参考訳）: マルチモーダルな問題は、自律運転、ロボットによる把持、シーン理解など、現実世界で広く見られる。 . 我々は、類似性のよく開発された分析から、異なるセンサーからニューラルネットワークを訓練し、これらのセンサーから抽出された特徴が類似した情報を持っている問題の一例を提供する。より正確には、各センサについて、他のセンサと最も相関する最終層からの特徴の線形結合が、分類層の分類成分に対応していることを示す。

関連論文リスト

Going Beyond Neural Network Feature Similarity: The Network Feature Complexity and Its Interpretation Using Category Theory [64.06519549649495]
機能的に等価な機能と呼ぶものの定義を提供します。これらの特徴は特定の変換の下で等価な出力を生成する。反復的特徴マージ(Iterative Feature Merging)というアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-10T16:27:12Z)
Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文参考訳（メタデータ） (2023-08-28T12:55:13Z)
Data-Induced Interactions of Sparse Sensors [3.050919759387984]
トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
論文参考訳（メタデータ） (2023-07-21T18:13:37Z)
Machine Learning Based Compensation for Inconsistencies in Knitted Force Sensors [1.0742675209112622]
編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
論文参考訳（メタデータ） (2023-06-21T09:19:33Z)
Neuroevolutionary algorithms driven by neuron coverage metrics for semi-supervised classification [60.60571130467197]
一部の機械学習アプリケーションでは、ラベル付けされていないインスタンスが豊富であるのに対して、教師付き分類のためのラベル付きインスタンスの可用性は制限されている。本稿では、ニューラルネットワークアーキテクチャ上で計算されたニューラルネットワークカバレッジメトリクスを用いて、未ラベルのインスタンスを利用する神経進化的アプローチを提案する。
論文参考訳（メタデータ） (2023-03-05T23:38:44Z)
Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文参考訳（メタデータ） (2022-10-20T11:03:21Z)
FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文参考訳（メタデータ） (2022-04-09T16:41:53Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Similarity and Matching of Neural Network Representations [0.0]
我々は、深層ニューラルネットワークにおける表現の類似性を分析するために、Frankenstein博士と呼ばれるツールセットを使用します。我々は、2つのトレーニングニューラルネットワークの与えられた層上でのアクティベーションを、縫合層で結合することで一致させることを目指している。
論文参考訳（メタデータ） (2021-10-27T17:59:46Z)
Ant Colony Inspired Machine Learning Algorithm for Identifying and Emulating Virtual Sensors [0.0]
他のセンサーに基づいて特定のセンサーの出力をエミュレートすることが可能である。読み出しをエミュレートできるセンサーのサブセットを特定するために、センサーはクラスタにグループ化されなければならない。本稿では,このようなシステムにおける仮想センサを実現するために,エンドツーエンドのアルゴリズムソリューションを提案する。
論文参考訳（メタデータ） (2020-11-02T09:06:14Z)
A Framework for Learning Invariant Physical Relations in Multimodal Sensory Processing [0.0]
我々は、教師なしの方法で、知覚的手がかり間の関係を学習できる新しいニューラルネットワークアーキテクチャを設計する。低次元知覚データにおける任意の非線形関係を学習する際のコアシステム機能について述べる。我々は、標準的なRGBカメラフレームから物理量間の関係を学習する現実世界の学習問題を通してこれを実証する。
論文参考訳（メタデータ） (2020-06-30T08:42:48Z)

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。