論文の概要: On robust risk-based active-learning algorithms for enhanced decision support

• arxiv url: http://arxiv.org/abs/2201.02555v1
• Date: Fri, 7 Jan 2022 17:25:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 14:24:56.855494
• Title: On robust risk-based active-learning algorithms for enhanced decision support
• Title（参考訳）: 堅牢なリスクベース能動学習アルゴリズムによる意思決定支援に関する研究
• Authors: Aidan J. Hughes, Lawrence A. Bull, Paul Gardner, Nikolaos Dervilis, Keith Worden
• Abstract要約: 分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。 本稿では,サンプリングバイアスの効果に対処する2つの新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Classification models are a fundamental component of physical-asset management technologies such as structural health monitoring (SHM) systems and digital twins. Previous work introduced \textit{risk-based active learning}, an online approach for the development of statistical classifiers that takes into account the decision-support context in which they are applied. Decision-making is considered by preferentially querying data labels according to \textit{expected value of perfect information} (EVPI). Although several benefits are gained by adopting a risk-based active learning approach, including improved decision-making performance, the algorithms suffer from issues relating to sampling bias as a result of the guided querying process. This sampling bias ultimately manifests as a decline in decision-making performance during the later stages of active learning, which in turn corresponds to lost resource/utility. The current paper proposes two novel approaches to counteract the effects of sampling bias: \textit{semi-supervised learning}, and \textit{discriminative classification models}. These approaches are first visualised using a synthetic dataset, then subsequently applied to an experimental case study, specifically, the Z24 Bridge dataset. The semi-supervised learning approach is shown to have variable performance; with robustness to sampling bias dependent on the suitability of the generative distributions selected for the model with respect to each dataset. In contrast, the discriminative classifiers are shown to have excellent robustness to the effects of sampling bias. Moreover, it was found that the number of inspections made during a monitoring campaign, and therefore resource expenditure, could be reduced with the careful selection of the statistical classifiers used within a decision-supporting monitoring system.
• Abstract（参考訳）: 分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。 以前の研究では、統計的分類器の開発のためのオンラインアプローチである \textit{risk-based active learning}を導入した。 意思決定は、データラベルを \textit{expected value of perfect information} (evpi) に従って優先的にクエリすることで考慮される。 意思決定パフォーマンスの向上など,リスクベースのアクティブラーニングアプローチを採用することで,いくつかのメリットが得られているが,ガイドクエリプロセスの結果,バイアスのサンプリングに関する問題が発生している。 このサンプリングバイアスは最終的に、アクティブラーニングの後半段階における意思決定パフォーマンスの低下として現れ、結果として失われたリソース/有効性に対応する。 本論文は,サンプリングバイアスの効果を否定する2つの新しいアプローチを提案する: \textit{semi-supervised learning} と \textit{discriminative classification models} である。 これらのアプローチはまず合成データセットを使用して視覚化され、その後実験ケーススタディ、特にZ24 Bridgeデータセットに適用される。 半教師付き学習アプローチは,各データセットに対するモデルに選択された生成分布の適合性に依存するバイアスのサンプリングに対する頑健性を示す。 対照的に、判別分類器はサンプリングバイアスの影響に対して優れた頑健性を有することが示される。 さらに, 意思決定支援監視システムで使用される統計分類器を慎重に選択することで, 監視キャンペーン中の検査数, リソース支出を削減できることが判明した。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• DRoP: Distributionally Robust Pruning [11.930434318557156]
  我々は、訓練されたモデルの分類バイアスにデータプルーニングが与える影響について、最初の系統的研究を行う。 そこで我々はDRoPを提案する。DRoPは,標準的なコンピュータビジョンベンチマークにおいて,その性能を実証的に実証し,分散的に頑健な手法である。
  論文  参考訳（メタデータ） (2024-04-08T14:55:35Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Optimal Sample Selection Through Uncertainty Estimation and Its Application in Deep Learning [22.410220040736235]
  コアセット選択とアクティブラーニングの両方に対処するための理論的に最適な解を提案する。 提案手法であるCOPSは,サブサンプルデータに基づいてトレーニングされたモデルの損失を最小限に抑えるために設計されている。
  論文  参考訳（メタデータ） (2023-09-05T14:06:33Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Mitigating sampling bias in risk-based active learning via an EM algorithm [0.0]
  リスクベースのアクティブラーニングは、オンライン意思決定支援のための統計分類器を開発するためのアプローチである。 データラベルクエリは、初期データポイントに対する完全情報の期待値に応じてガイドされる。 半教師付きアプローチは、EMアルゴリズムを介して未ラベルデータの擬似ラベルを組み込むことでサンプリングバイアスに対処する。
  論文  参考訳（メタデータ） (2022-06-25T08:48:25Z)
• Improving decision-making via risk-based active learning: Probabilistic discriminative classifiers [0.0]
  監視されたシステムの状態に対応する測定データの記述ラベルは、しばしば利用できない。 この問題に対処する1つのアプローチは、リスクベースのアクティブラーニングである。 本論文では,識別モデルを用いた代替型分類器の利点について述べる。
  論文  参考訳（メタデータ） (2022-06-23T10:51:42Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)
• Deep Active Learning for Solvability Prediction in Power Systems [7.634675607430369]
  本稿では,電力系統の可解性予測のためのディープラーニングフレームワークを提案する。 すべてのインスタンスがラベル付けされた後、トレーニングが行われる受動的学習方法と比較して、アクティブラーニングはラベル付けする最も情報性の高いインスタンスを選択する。
  論文  参考訳（メタデータ） (2020-07-27T00:13:09Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。