Fugu-MT 論文翻訳(概要): Crash Data Augmentation Using Conditional Generative Adversarial Networks (CGAN) for Improving Safety Performance Functions

論文の概要: Crash Data Augmentation Using Conditional Generative Adversarial Networks (CGAN) for Improving Safety Performance Functions

arxiv url: http://arxiv.org/abs/2112.12263v1
Date: Tue, 21 Dec 2021 03:11:37 GMT
ステータス: 処理完了
システム内更新日: 2021-12-24 16:26:28.708212
Title: Crash Data Augmentation Using Conditional Generative Adversarial Networks (CGAN) for Improving Safety Performance Functions
Title（参考訳）: CGANを用いた安全性能向上のためのクラッシュデータ強化
Authors: Mohammad Zarei, Bruce Hellinga
Abstract要約: 本稿では,条件付き生成逆数ネットワークに基づくクラッシュ頻度データ拡張手法を提案する。提案手法は,ベースSPFと拡張SPFの性能を比較して評価する。
参考スコア（独自算出の注目度）: 2.741266294612776
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this paper, we present a crash frequency data augmentation method based on Conditional Generative Adversarial Networks to improve crash frequency models. The proposed method is evaluated by comparing the performance of Base SPFs (developed using original data) and Augmented SPFs (developed using original data plus synthesised data) in terms of hotspot identification performance, model prediction accuracy, and dispersion parameter estimation accuracy. The experiments are conducted using simulated and real-world crash data sets. The results indicate that the synthesised crash data by CGAN have the same distribution as the original data and the Augmented SPFs outperforms Base SPFs in almost all aspects especially when the dispersion parameter is low.
Abstract（参考訳）: 本稿では,事故頻度モデルを改善するために,条件付き生成逆数ネットワークに基づくクラッシュ頻度データ拡張手法を提案する。提案手法は、ホットスポット識別性能、モデル予測精度、分散パラメータ推定精度の観点から、ベースSPF(原データを用いた開発)と拡張SPF(原データと合成データを用いた開発)の性能を比較して評価する。実験はシミュレーションおよび実世界のクラッシュデータセットを用いて行われる。その結果、CGANによる合成クラッシュデータは原データと同じ分布であり、特に分散パラメータが低い場合、Augmented SPFsはベースSPFよりもほぼ全ての面で優れていた。

関連論文リスト

A Distribution-Aware Flow-Matching for Generating Unstructured Data for Few-Shot Reinforcement Learning [1.0709300917082865]
組込みプロセッサ上の数ショット強化学習(RL)に適した合成非構造化データを生成するために設計された分散型フローマッチングを提案する。我々はランダムフォレストを通した特徴重み付けを重要データ面の優先順位付けに適用し,生成した合成データの精度を向上させる。本手法は,最初期の第1タイムスタンプにおいて,フレームレートを30%向上しながら,最大Q値に基づく安定収束を提供する。
論文参考訳（メタデータ） (2024-09-21T15:50:59Z)
A Generative Deep Learning Approach for Crash Severity Modeling with Imbalanced Data [6.169163527464771]
本研究では,条件付きタブラリGANに基づくクラッシュデータ生成手法を提案する。分類と解釈の性能を推定するために、クラッシュ重大度モデルを用いる。以上の結果から,CTGAN-RUが生成した合成データを用いた衝突重大度モデリングは,他の再サンプリング法により生成された原データや合成データよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2024-04-02T16:07:27Z)
Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文参考訳（メタデータ） (2023-12-10T18:49:59Z)
SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
論文参考訳（メタデータ） (2023-11-30T03:05:14Z)
Private Synthetic Data Meets Ensemble Learning [15.425653946755025]
機械学習モデルが合成データに基づいてトレーニングされ、実際のデータにデプロイされると、しばしばパフォーマンス低下が発生する。実データを用いた場合のパフォーマンス向上を目標として,下流モデルのトレーニングのための新たなアンサンブル戦略を導入する。
論文参考訳（メタデータ） (2023-10-15T04:24:42Z)
Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文参考訳（メタデータ） (2023-03-06T17:19:23Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Driven Adaptive Prior [103.00403682863427]
条件拡散モデルの効率を改善するために, PreGrad を提案する。 PriorGradはデータとパラメータの効率を向上し、品質を向上する。
論文参考訳（メタデータ） (2021-06-11T14:04:03Z)
Stabilization of generative adversarial networks via noisy scale-space [6.574517227976925]
Generative adversarial Network(GAN)は、与えられた現実に基づいて偽のデータを生成するためのフレームワークです。 GANを安定化させるために、ノイズは実と偽の分布の重なりを拡大する。データ平滑化はデータの寸法を減少させるが、ganが高周波情報を学習する能力を抑制する。
論文参考訳（メタデータ） (2021-05-01T11:32:16Z)
Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文参考訳（メタデータ） (2020-05-01T04:28:38Z)

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。