論文の概要: Guided Sampling-based Evolutionary Deep Neural Network for Intelligent Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2111.06885v3
• Date: Wed, 23 Feb 2022 05:22:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 07:43:59.287123
• Title: Guided Sampling-based Evolutionary Deep Neural Network for Intelligent Fault Diagnosis
• Title（参考訳）: 誘導サンプリングに基づく知的故障診断のための進化型ディープニューラルネットワーク
• Authors: Arun K. Sharma, Nishchal K. Verma
• Abstract要約: 我々は、モデルアーキテクチャの進化を導くためにポリシー勾配を利用する進化的ディープニューラルネットワークの新しいフレームワークを提案してきた。 提案フレームワークの有効性を3つのデータセットで検証した。
• 参考スコア（独自算出の注目度）: 8.92307560991779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The diagnostic performance of most of the deep learning models is greatly affected by the selection of model architecture and hyperparameters. Manual selection of model architecture is not feasible as training and evaluating the different architectures of deep learning models is a time-consuming process. Therefore, we have proposed a novel framework of evolutionary deep neural network which uses policy gradient to guide the evolution of DNN architecture towards maximum diagnostic accuracy. We have formulated a policy gradient-based controller which generates an action to sample the new model architecture at every generation such that the optimality is obtained quickly. The fitness of the best model obtained is used as a reward to update the policy parameters. Also, the best model obtained is transferred to the next generation for quick model evaluation in the NSGA-II evolutionary framework. Thus, the algorithm gets the benefits of fast non-dominated sorting as well as quick model evaluation. The effectiveness of the proposed framework has been validated on three datasets: the Air Compressor dataset, Case Western Reserve University dataset, and Paderborn university dataset.
• Abstract（参考訳）: 多くのディープラーニングモデルの診断性能は、モデルアーキテクチャとハイパーパラメータの選択によって大きく影響を受ける。 モデルアーキテクチャの手動選択は、ディープラーニングモデルの異なるアーキテクチャをトレーニングし、評価することが時間のかかるプロセスであるため、実現不可能である。 そこで我々は,dnnアーキテクチャの進化を最大診断精度に導くために,ポリシー勾配を用いた進化的深層ニューラルネットワークの新たな枠組みを提案する。 我々は,各世代で新しいモデルアーキテクチャをサンプリングし,最適性が迅速に得られるように,ポリシー勾配に基づく制御器を定式化した。 得られた最良のモデルの適合度は、ポリシーパラメータを更新する報酬として使用される。 また, NSGA-II進化フレームワークにおいて, モデル評価を高速化するために, 得られた最良のモデルを次世代に転送する。 したがって、アルゴリズムは高速な非支配的なソートと素早いモデル評価の利点を得ることができる。 提案手法の有効性はair compressor dataset, case western reserve university dataset, paderborn university datasetの3つのデータセットで検証されている。

関連論文リスト

• AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework [0.794682109939797]
  異常検出ツールと方法は、現代のサイバー物理およびセンサーベースのシステムにおいて重要な分析機能を可能にする。 我々は,サブスペース進化,モデル進化,微調整を相乗的に組み合わせた3段階の神経進化に基づくAD-NEv++を提案する。 我々は、AD-NEv++が全ての異常検出ベンチマークにおいて最先端のGNN(Graph Neural Networks)モデルアーキテクチャを改善し、性能を向上できることを示す。
  論文  参考訳（メタデータ） (2024-03-25T08:40:58Z)
• AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection [1.0323063834827415]
  異常検出ツールと手法は、現代のサイバー物理および障害予測システムにおいて重要な機能を示す。 与えられたデータセットのモデル最適化は、面倒で時間のかかるプロセスである。 スケーラブルな多レベル最適化ニューロエボリューションフレームワークであるAnomaly Detection Neuroevolution (AD-NEv)を提案する。
  論文  参考訳（メタデータ） (2023-05-25T21:52:38Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• EvoPruneDeepTL: An Evolutionary Pruning Model for Transfer Learning based Deep Neural Networks [15.29595828816055]
  本稿では,トランスファーラーニングに基づくディープニューラルネットワークのための進化的プルーニングモデルを提案する。 EvoPruneDeepTLは、最後の完全に接続されたレイヤを遺伝的アルゴリズムによって最適化されたスパースレイヤで置き換える。 その結果,ネットワーク全体の計算効率に対するEvoPruneDeepTLと特徴選択の寄与が示された。
  論文  参考訳（メタデータ） (2022-02-08T13:07:55Z)
• Fast and scalable neuroevolution deep learning architecture search for multivariate anomaly detection [0.0]
  この研究は、異常検出のための多段階神経進化アプローチの改善に焦点を当てている。 提案フレームワークは,任意の非教師なしタスクに対して,効率的な学習ネットワークアーキテクチャ手法として利用することができる。
  論文  参考訳（メタデータ） (2021-12-10T16:14:43Z)
• Transfer Learning based Evolutionary Deep Neural Network for Intelligent Fault Diagnosis [11.427019313283997]
  障害診断のためのディープニューラルネットワーク(DNN)の性能は、ネットワークアーキテクチャに大きく依存している。 本稿では、与えられたデータセットに対して最適なDNNアーキテクチャを求める進化的Net2Net変換(EvoNet2Net)を提案する。 我々は,ケース・ウェスタン・リザーブ大学データセットとパダーボーン大学データセットを用いて,提案フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2021-09-28T04:31:23Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)

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。