論文の概要: Knowledge Informed Machine Learning using a Weibull-based Loss Function

• arxiv url: http://arxiv.org/abs/2201.01769v1
• Date: Tue, 4 Jan 2022 22:53:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 23:50:12.802431
• Title: Knowledge Informed Machine Learning using a Weibull-based Loss Function
• Title（参考訳）: weibullに基づく損失関数を用いた知識情報機械学習
• Authors: Tim von Hahn and Chris K Mechefske
• Abstract要約: 機械学習の知識は、外部知識の統合によって強化される。 共通IMSとPRONOSTIAデータを用いた知識情報機械学習手法を実証した。 ワイブル型損失関数の詳細な統計的解析を行い,PronoSTIAデータセット上での有効性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning can be enhanced through the integration of external knowledge. This method, called knowledge informed machine learning, is also applicable within the field of Prognostics and Health Management (PHM). In this paper, the various methods of knowledge informed machine learning, from a PHM context, are reviewed with the goal of helping the reader understand the domain. In addition, a knowledge informed machine learning technique is demonstrated, using the common IMS and PRONOSTIA bearing data sets, for remaining useful life (RUL) prediction. Specifically, knowledge is garnered from the field of reliability engineering which is represented through the Weibull distribution. The knowledge is then integrated into a neural network through a novel Weibull-based loss function. A thorough statistical analysis of the Weibull-based loss function is conducted, demonstrating the effectiveness of the method on the PRONOSTIA data set. However, the Weibull-based loss function is less effective on the IMS data set. The results, shortcomings, and benefits of the approach are discussed in length. Finally, all the code is publicly available for the benefit of other researchers.
• Abstract（参考訳）: 機械学習は、外部知識の統合によって強化することができる。 この手法は知識情報機械学習と呼ばれ、PHM(Prognostics and Health Management)の分野にも適用できる。 本稿では,phmコンテキストから知識情報機械学習の様々な手法について,読者がドメインを理解するのを手助けする目的で検討する。 さらに、共通IMSとPronostiaのデータセットを用いて、有用な生活(RUL)予測のための知識情報機械学習手法を実証した。 特に、知識はワイブル分布を通して表現される信頼性工学の分野から得ている。 知識は、新しいweibullベースの損失関数を介してニューラルネットワークに統合される。 ワイブル型損失関数の詳細な統計的解析を行い,PronoSTIAデータセット上での有効性を実証した。 しかし、Weibullベースの損失関数はIMSデータセットでは効果が低い。 このアプローチの結果、欠点、メリットを長く議論する。 最後に、すべてのコードは、他の研究者の利益のために公開されています。

関連論文リスト

• Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
  ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。 これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。 事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。 既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。 我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-07T12:19:37Z)
• Informed Meta-Learning [55.2480439325792]
  メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。 我々は,非構造化知識表現からの事前の取り込みを容易にする,情報メタラーニングというハイブリッドパラダイムを定式化する。 データ効率、観測ノイズに対する堅牢性、タスク分散シフトを改善する上で、情報メタラーニングの潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Information Leakage Detection through Approximate Bayes-optimal Prediction [5.23890938002044]
  情報漏洩(IL)は、今日のデータ駆動の世界におけるセキュリティ上の懸念を引き起こす。 ILを検出するための観測可能情報と秘密情報の間の相互情報(MI)を推定する従来の統計手法では、次元性、収束性、計算複雑性、MI誤推定といった課題に直面している。 統計的学習理論と情報理論を用いてILを正確に定量化するための理論的枠組みを確立する。
  論文  参考訳（メタデータ） (2024-01-25T16:15:27Z)
• Model-Driven Engineering Method to Support the Formalization of Machine Learning using SysML [0.0]
  本研究は,モデルベース工学を活用した機械学習タスクの協調的定義を支援する手法を提案する。 この方法は、様々なデータソースの識別と統合、データ属性間のセマンティックな関係の定義、データ処理ステップの定義をサポートする。
  論文  参考訳（メタデータ） (2023-07-10T11:33:46Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• Let's Go to the Alien Zoo: Introducing an Experimental Framework to Study Usability of Counterfactual Explanations for Machine Learning [6.883906273999368]
  反事実的説明(CFEs)は、心理的に根拠づけられたアプローチとして、ポストホックな説明を生み出している。 私たちは、エンゲージメントがあり、Webベースでゲームに触発された実験的なフレームワークであるAlien Zooを紹介します。 概念実証として,本手法の有効性と実用性を示す。
  論文  参考訳（メタデータ） (2022-05-06T17:57:05Z)
• A Quantitative Perspective on Values of Domain Knowledge for Machine Learning [27.84415856657607]
  様々な形式のドメイン知識は、学習性能を向上させる上で重要な役割を担っている。 本研究では,ドメイン知識の価値を学習性能への貢献の観点から定量化する問題について検討する。
  論文  参考訳（メタデータ） (2020-11-17T06:12:23Z)
• A Human-in-the-Loop Approach based on Explainability to Improve NTL Detection [0.12183405753834559]
  本研究では,NTL(Non-Technical Losses)を検出するために教師付きモデルを用いた実システムにおける問題を軽減するための,ループ内の人間的アプローチについて説明する。 このアプローチは、人間の知識(例えば、データ科学者や会社の利害関係者)と、トレーニングプロセス中にシステムを導く説明的手法によって提供される情報を利用する。 その結果, 精度, 解釈可能性, 堅牢性, 柔軟性の点で, 導出予測モデルの方が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-09-28T16:04:07Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• Privileged Information Dropout in Reinforcement Learning [56.82218103971113]
  トレーニング中に特権情報を使用することで、機械学習システムのサンプル効率とパフォーマンスを向上させることができる。 本研究では,価値に基づく強化学習アルゴリズムとポリシーに基づく強化学習アルゴリズムに等しく適用可能なプライヴィレグ情報ドロップアウト(pid)について検討する。
  論文  参考訳（メタデータ） (2020-05-19T05:32:33Z)

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。