論文の概要: Wrapped Classifier with Dummy Teacher for training physics-based classifier at unlabeled radar data

• arxiv url: http://arxiv.org/abs/2201.05735v1
• Date: Sat, 15 Jan 2022 02:13:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-22 16:09:11.288438
• Title: Wrapped Classifier with Dummy Teacher for training physics-based classifier at unlabeled radar data
• Title（参考訳）: ダミー教師による未ラベルレーダデータにおける物理に基づく分類器の訓練
• Authors: Oleg I.Berngardt, Oleg A.Kusonsky, Alexey I.Poddelsky, Alexey V.Oinats
• Abstract要約: 2021年にEKBおよびMAGW ISTP SB RASのコヒーレント散乱レーダから受信した信号の自動分類法について述べる。 この手法はラベルのないデータセットに基づいて訓練され、クラスタ化結果を用いた最適な物理に基づく分類の訓練に基づいている。 その結果、分類ネットワークを訓練し、利用可能なデータの物理的視点から、よく解釈可能な11のクラスを見出した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the paper a method for automatic classification of signals received by EKB and MAGW ISTP SB RAS coherent scatter radars (8-20MHz operating frequency) during 2021 is described. The method is suitable for automatic physical interpretation of the resulting classification of the experimental data in realtime. We called this algorithm Wrapped Classifier with Dummy Teacher. The method is trained on unlabeled dataset and is based on training optimal physics-based classification using clusterization results. The approach is close to optimal embedding search, where the embedding is interpreted as a vector of probabilities for soft classification. The approach allows to find optimal classification algorithm, based on physically interpretable parameters of the received data, both obtained during physics-based numerical simulation and measured experimentally. Dummy Teacher clusterer used for labeling unlabeled dataset is gaussian mixture clustering algorithm. For algorithm functioning we extended the parameters obtained by the radar with additional parameters, calculated during simulation of radiowave propagation using ray-tracing and IRI-2012 and IGRF models for ionosphere and Earth's magnetic field correspondingly. For clustering by Dummy Teacher we use the whole dataset of available parameters (measured and simulated ones). For classification by Wrapped Classifier we use only well physically interpreted parameters. As a result we trained the classification network and found 11 well-interpretable classes from physical point of view in the available data. Five other found classes are not interpretable from physical point of view, demonstrating the importance of taking into account radiowave propagation for correct classification.
• Abstract（参考訳）: 本稿では,2021年におけるEKBおよびMAGW ISTP SB RASコヒーレント散乱レーダ(8-20MHz動作周波数)の受信信号の自動分類法について述べる。 本手法は,実験データのリアルタイムな分類結果の自動物理的解釈に適している。 我々はこのアルゴリズムをダミー教師によるWrapped Classifierと呼んだ。 この方法はラベルのないデータセットに基づいてトレーニングされ、クラスタ化結果を用いた最適物理ベースの分類の訓練に基づいている。 この手法は最適な埋め込み探索に近づき、埋め込みはソフトな分類のための確率のベクトルとして解釈される。 このアプローチは、物理ベースの数値シミュレーションと実験によって得られた、受信データの物理的解釈可能なパラメータに基づく最適な分類アルゴリズムを見つけることができる。 ラベルなしデータセットのラベル付けに使われるDummy Teacher Clustererはガウス混合クラスタリングアルゴリズムである。 レーダにより得られたパラメータを追加パラメータで拡張し, レーダの電波伝搬シミュレーションとIRI-2012およびIGRFモデルを用いて電離層と地球の磁場に対応して計算した。 ダミー先生によるクラスタリングには、利用可能なパラメータのデータセット全体(測定とシミュレーション)を使用します。 包み込み分類器による分類には、物理的に解釈されたパラメータのみを使用する。 その結果、分類ネットワークを訓練し、利用可能なデータの物理的観点から、よく解釈可能な11のクラスを見出した。 その他の5つの発見クラスは物理的観点からは解釈できないため、正しい分類のために電波伝播を考慮に入れることの重要性が示されている。

関連論文リスト

• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving [0.0]
  教師なしのドメイン適応(UDA)アプローチは低コストで時間を要すると考えられている。 自動走行における車線検出と分類のための逆判別および生成手法を用いたUDAスキームを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:10:14Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Unsupervised classification of simulated magnetospheric regions [0.0]
  磁気圏ミッションにおいて、バーストモードのデータサンプリングは、科学的または運用上の関心のあるプロセスの存在下でトリガーされなければならない。 本研究では、関心の磁気圏過程の自動識別のための多段階法の第一段階を構成することができる磁圏領域の教師なし分類法を提案する。
  論文  参考訳（メタデータ） (2021-09-10T14:57:32Z)
• Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
  ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
  論文  参考訳（メタデータ） (2021-08-03T12:15:25Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Predictive K-means with local models [0.028675177318965035]
  予測クラスタリングは、2つの世界のベストを獲得しようとします。 この手法を用いて2つの新しいアルゴリズムを提案し、予測性能に競争力があることを様々なデータセットで示す。
  論文  参考訳（メタデータ） (2020-12-16T10:49:36Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)
• Coarse-Grain Cluster Analysis of Tensors with Application to Climate Biome Identification [0.27998963147546146]
  離散ウェーブレット変換を用いて、粗粒化がクラスタリングテンソルデータに与える影響を分析する。 我々は特に、地球の気候システムのスケール効果のクラスター化について理解することに興味を持っている。
  論文  参考訳（メタデータ） (2020-01-22T00:28:58Z)
• Bayesian Semi-supervised Multi-category Classification under Nonparanormality [2.307581190124002]
  セミ教師付き学習はラベル付きデータとラベルなしデータの両方を使用するモデルトレーニング手法である。 本稿では,任意のカテゴリ分類問題に適用可能なベイズ半教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-11T21:31:25Z)

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。