論文の概要: DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing

• arxiv url: http://arxiv.org/abs/2111.11053v2
• Date: Tue, 13 Jun 2023 17:10:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 18:51:12.174690
• Title: DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing
• Title（参考訳）: DAPPER:不均一なモバイルセンシングのためのパーソナライズ後のラベルなし性能推定
• Authors: Taesik Gong, Yewon Kim, Adiba Orzikulova, Yunxin Liu, Sung Ju Hwang, Jinwoo Shin, Sung-Ju Lee
• Abstract要約: DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。 実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
• 参考スコア（独自算出の注目度）: 95.18236298557721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many applications utilize sensors in mobile devices and machine learning to provide novel services. However, various factors such as different users, devices, and environments impact the performance of such applications, thus making the domain shift (i.e., distributional shift between the training domain and the target domain) a critical issue in mobile sensing. Despite attempts in domain adaptation to solve this challenging problem, their performance is unreliable due to the complex interplay among diverse factors. In principle, the performance uncertainty can be identified and redeemed by performance validation with ground-truth labels. However, it is infeasible for every user to collect high-quality, sufficient labeled data. To address the issue, we present DAPPER (Domain AdaPtation Performance EstimatoR) that estimates the adaptation performance in a target domain with only unlabeled target data. Our key idea is to approximate the model performance based on the mutual information between the model inputs and corresponding outputs. Our evaluation with four real-world sensing datasets compared against six baselines shows that on average, DAPPER outperforms the state-of-the-art baseline by 39.8% in estimation accuracy. Moreover, our on-device experiment shows that DAPPER achieves up to 396X less computation overhead compared with the baselines.
• Abstract（参考訳）: 多くのアプリケーションはモバイルデバイスのセンサーと機械学習を使って新しいサービスを提供している。 しかし、異なるユーザ、デバイス、環境などの様々な要因がアプリケーションの性能に影響を与えるため、ドメインシフト(トレーニングドメインとターゲットドメイン間の分散シフト)がモバイルセンシングにおいて重要な問題となる。 この困難な問題を解決しようとするドメイン適応の試みにもかかわらず、それらの性能は様々な要因の複雑な相互作用のために信頼できない。 原則として、基幹トラスラベルによる性能検証により、性能の不確実性を識別し、再評価することができる。 しかし、すべてのユーザが高品質で十分なラベル付きデータを収集することは不可能である。 この問題に対処するために,対象領域における適応性能をラベルなしのターゲットデータのみを用いて推定するdapper(domain adaptation performance estimator)を提案する。 我々のキーとなる考え方は、モデル入力と対応する出力の相互情報に基づいてモデル性能を近似することである。 6つのベースラインと比較した4つの実世界のセンシングデータセットによる評価から、DAPPERは平均して、最先端のベースラインを39.8%上回っている。 さらに、デバイス上での実験では、DAPPERはベースラインに比べて計算オーバーヘッドが最大で396倍少ないことが示されている。

関連論文リスト

• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Sensitivity-Informed Augmentation for Robust Segmentation [21.609070498399863]
  カメラ品質の変動やレンズ歪みなどの内部ノイズはセグメンテーションモデルの性能に影響を与える可能性がある。 我々は,学習ベースセグメンテーションモデルの堅牢性を高めるために,効率的で適応性があり,勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2024-06-03T15:25:45Z)
• Test-time Assessment of a Model's Performance on Unseen Domains via Optimal Transport [8.425690424016986]
  テスト時に見えないドメインのデータに対して、MLモデルのパフォーマンスを評価することが不可欠です。 テスト時にモデルのパフォーマンスを洞察できるメトリクスを開発することが不可欠です。 本稿では,未知領域におけるモデルの性能と高い相関関係を持つ最適輸送量に基づく計量を提案する。
  論文  参考訳（メタデータ） (2024-05-02T16:35:07Z)
• SPADES: A Realistic Spacecraft Pose Estimation Dataset using Event Sensing [9.583223655096077]
  実際のターゲットデータセットへのアクセスが限られているため、アルゴリズムはしばしば合成データを使用して訓練され、実際のドメインに適用される。 イベントセンシングは過去にも行われており、シミュレーションと実世界のシナリオの間のドメインギャップを減らすことが示されている。 制御された実験室で取得した実イベントデータと、同じカメラ内在性を用いてイベントデータをシミュレートした新しいデータセットSPADESを提案する。
  論文  参考訳（メタデータ） (2023-11-09T12:14:47Z)
• Exploring Few-Shot Adaptation for Activity Recognition on Diverse Domains [46.26074225989355]
  ドメイン適応は、さまざまな環境における正確で堅牢なパフォーマンスを保証するために、アクティビティ認識に不可欠である。 本研究では,FewShot Domain Adaptation for Activity Recognition (FSDA-AR) に焦点をあてる。 より多様で困難な領域への適応を考慮した5つの確立されたデータセットを用いた新しいFSDA-ARを提案する。
  論文  参考訳（メタデータ） (2023-05-15T08:01:05Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• VisDA-2021 Competition Universal Domain Adaptation to Improve Performance on Out-of-Distribution Data [64.91713686654805]
  Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。 我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。 厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
  論文  参考訳（メタデータ） (2021-07-23T03:21:51Z)
• Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
  被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。 実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
  論文  参考訳（メタデータ） (2020-12-14T21:56:17Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)

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。