論文の概要: Robust Hybrid Learning With Expert Augmentation
- arxiv url: http://arxiv.org/abs/2202.03881v2
- Date: Wed, 9 Feb 2022 10:22:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 12:45:48.914038
- Title: Robust Hybrid Learning With Expert Augmentation
- Title(参考訳): エキスパート強化によるロバストハイブリッド学習
- Authors: Antoine Wehenkel, Jens Behrmann, Hsiang Hsu, Guillermo Sapiro, Gilles
Louppe, J\"orn-Henrik Jacobsen
- Abstract要約: ハイブリッドモデリングは、データから学んだ機械学習(ML)コンポーネントと組み合わせることで、専門家モデルの誤特定を減らす。
本稿では,ハイブリッドモデリングの確率論的形式化に基づいて,専門家強化が一般化を改善する理由を示す。
我々は,一連の制御実験において,拡張ハイブリッドモデルの実用的メリットを検証した。
- 参考スコア(独自算出の注目度): 31.911717646180886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid modelling reduces the misspecification of expert models by combining
them with machine learning (ML) components learned from data. Like for many ML
algorithms, hybrid model performance guarantees are limited to the training
distribution. Leveraging the insight that the expert model is usually valid
even outside the training domain, we overcome this limitation by introducing a
hybrid data augmentation strategy termed \textit{expert augmentation}. Based on
a probabilistic formalization of hybrid modelling, we show why expert
augmentation improves generalization. Finally, we validate the practical
benefits of augmented hybrid models on a set of controlled experiments,
modelling dynamical systems described by ordinary and partial differential
equations.
- Abstract(参考訳): ハイブリッドモデリングは、データから学んだ機械学習(ML)コンポーネントと組み合わせることで、専門家モデルの誤特定を減らす。
多くのMLアルゴリズムと同様に、ハイブリッドモデルの性能保証はトレーニング分布に限られている。
エキスパートモデルは通常、トレーニング領域外でも有効であるという知見を活用することで、‘textit{expert augmentation}’と呼ばれるハイブリッドデータ拡張戦略を導入することで、この制限を克服します。
ハイブリッドモデリングの確率論的形式化に基づき、専門家の強化が一般化を改善する理由を示す。
最後に, 常微分方程式および偏微分方程式によって記述される力学系をモデル化する一連の制御実験において, 拡張ハイブリッドモデルの実用的効果を検証する。
関連論文リスト
- Hybrid Square Neural ODE Causal Modeling [6.173397761495849]
ハイブリッドモデルは、機械的ODEベースのダイナミクスと柔軟な表現力のあるニューラルネットワークコンポーネントを組み合わせる。
ハイブリッドモデルがより柔軟になるにつれて、力学モデルによって提供される因果基底が急速に失われることが示される。
私たちはこの情報を因果的損失にエンコードし、標準的な予測的損失と組み合わせて、因果的有効なハイブリッドモデルへの学習をバイアスするハイブリッド損失に到達します。
論文 参考訳(メタデータ) (2024-02-27T06:01:56Z) - Double machine learning for causal hybrid modeling -- applications in
the Earth sciences [4.440627540608291]
本稿では、因果推論フレームワークを用いてハイブリッドモデルを推定するための新しいアプローチを提案する。
DMLに基づくハイブリッドモデリングは、エンドツーエンドのディープニューラルネットワーク(DNN)アプローチよりも因果パラメータの推定に優れていることを実証する。
論文 参考訳(メタデータ) (2024-02-20T19:19:56Z) - Augment on Manifold: Mixup Regularization with UMAP [5.18337967156149]
本稿では,深層学習予測モデルのための自動データ拡張のためのMixup正規化スキームUMAP Mixupを提案する。
提案手法により,Mixup演算により特徴量とラベルのデータ多様体上に合成されたサンプルが生成される。
論文 参考訳(メタデータ) (2023-12-20T16:02:25Z) - AI-Empowered Hybrid MIMO Beamforming [85.48860461696417]
ハイブリッドマルチインプット・マルチアウトプット(MIMO)システムは、アナログおよびデジタルのビームフォーミングの一部を実装している。
近年、ハイブリッドビームフォーミング設計にデータ支援人工知能(AI)ツールを使うことへの関心が高まっている。
本稿では、リアルタイムハイブリッドビームフォーミング設計を改善するために、データを活用するための候補戦略についてレビューする。
論文 参考訳(メタデータ) (2023-03-03T06:04:20Z) - Prediction Sets for High-Dimensional Mixture of Experts Models [9.195729979000404]
高次元設定におけるエキスパートモデルの$ell_$-penalizedmixに対して有効な予測セットを構築する方法を示す。
本稿では, 罰則による偏見を考慮に入れた脱バイアス法を応用し, 間隔を組み合わさって予測セットを形成する新しい戦略を提案する。
論文 参考訳(メタデータ) (2022-10-30T00:27:19Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳(メタデータ) (2022-04-13T12:43:12Z) - Conformer-based Hybrid ASR System for Switchboard Dataset [99.88988282353206]
本稿では,競争力のあるコンバータベースハイブリッドモデルトレーニングレシピを提示し,評価する。
本研究は,単語誤り率の向上と学習速度向上のための異なる訓練側面と手法について検討する。
我々はSwitchboard 300hデータセットで実験を行い、コンバータベースのハイブリッドモデルは競争力のある結果を得る。
論文 参考訳(メタデータ) (2021-11-05T12:03:18Z) - A Variational Infinite Mixture for Probabilistic Inverse Dynamics
Learning [34.90240171916858]
確率的局所モデルの無限混合に対する効率的な変分ベイズ推論手法を開発した。
我々は、データ駆動適応、高速予測、不連続関数とヘテロセダスティックノイズに対処する能力の組み合わせにおけるモデルのパワーを強調した。
学習したモデルを用いてBarrett-WAMマニピュレータのオンライン動的制御を行い、軌道追跡性能を大幅に改善した。
論文 参考訳(メタデータ) (2020-11-10T16:15:13Z) - Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。
所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。
実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文 参考訳(メタデータ) (2020-03-06T23:11:13Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。