論文の概要: Architectural Optimization and Feature Learning for High-Dimensional
Time Series Datasets
- arxiv url: http://arxiv.org/abs/2202.13486v1
- Date: Sun, 27 Feb 2022 23:41:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:44:28.091758
- Title: Architectural Optimization and Feature Learning for High-Dimensional
Time Series Datasets
- Title(参考訳): 高次元時系列データセットのアーキテクチャ最適化と特徴学習
- Authors: Robert E. Colgan, Jingkai Yan, Zsuzsa M\'arka, Imre Bartos, Szabolcs
M\'arka, and John N. Wright
- Abstract要約: 重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。
従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
- 参考スコア(独自算出の注目度): 0.7388859384645262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As our ability to sense increases, we are experiencing a transition from
data-poor problems, in which the central issue is a lack of relevant data, to
data-rich problems, in which the central issue is to identify a few relevant
features in a sea of observations. Motivated by applications in
gravitational-wave astrophysics, we study the problem of predicting the
presence of transient noise artifacts in a gravitational wave detector from a
rich collection of measurements from the detector and its environment.
We argue that feature learning--in which relevant features are optimized from
data--is critical to achieving high accuracy. We introduce models that reduce
the error rate by over 60\% compared to the previous state of the art, which
used fixed, hand-crafted features. Feature learning is useful not only because
it improves performance on prediction tasks; the results provide valuable
information about patterns associated with phenomena of interest that would
otherwise be undiscoverable. In our application, features found to be
associated with transient noise provide diagnostic information about its origin
and suggest mitigation strategies.
Learning in high-dimensional settings is challenging. Through experiments
with a variety of architectures, we identify two key factors in successful
models: sparsity, for selecting relevant variables within the high-dimensional
observations; and depth, which confers flexibility for handling complex
interactions and robustness with respect to temporal variations. We illustrate
their significance through systematic experiments on real detector data. Our
results provide experimental corroboration of common assumptions in the
machine-learning community and have direct applicability to improving our
ability to sense gravitational waves, as well as to many other problem settings
with similarly high-dimensional, noisy, or partly irrelevant data.
- Abstract(参考訳): 検出能力が増加するにつれて、中心となる問題は関連するデータの欠如であり、中心となる問題は観測の海にあるいくつかの重要な特徴を特定することにあるデータ豊富な問題へと移行しています。
重力波天体物理学の応用により、重力波検出器における過渡ノイズアーティファクトの存在を検知器とその環境からの豊富な測定結果から予測する問題を研究する。
関連する機能をデータから最適化した機能学習は,高い精度を達成する上で重要である。
本研究では,手作りの固定的特徴を用いた先行技術と比較して,誤差率を60%以上低減するモデルを提案する。
機能学習は、予測タスクのパフォーマンスが向上するだけでなく、興味をそそられる現象に関連するパターンに関する貴重な情報を提供するために役立つ。
本アプリケーションでは,過渡雑音に関連する特徴が,その発生源の診断情報を提供し,緩和戦略を提案する。
高次元設定での学習は難しい。
様々なアーキテクチャを用いた実験により、高次元観測における関連する変数を選択するための空間性と、時間的変動に対する複雑な相互作用やロバスト性を扱うための柔軟性を示す深さという、モデルの成功における2つの重要な要素を同定する。
実際の検出器データに対する系統的な実験を通じて,その意義を説明する。
この結果は,機械学習コミュニティにおける一般的な仮定を実験的に検証し,重力波を感知する能力の向上に直接的な適用性を持たせるとともに,同様に高次元,雑音,あるいは部分的に無関係なデータを含む多くの問題設定にも適用可能である。
関連論文リスト
- Machine Learning and Feature Ranking for Impact Fall Detection Event
Using Multisensor Data [1.9731252964716424]
我々は、マルチセンサUP-FALLデータセットから最も関連性の高い特徴を特定するために、特徴選択プロセスを採用している。
次に、インパクトモーメントの検出における各種機械学習モデルの効率性を評価する。
この結果から, 落下検出にマルチセンサデータを活用する能力を示すとともに, 衝突検出の精度向上を実現した。
論文 参考訳(メタデータ) (2023-12-21T01:05:44Z) - On the choice of training data for machine learning of geostrophic
mesoscale turbulence [0.34376560669160383]
データ」は、データ駆動手法において中心的な役割を果たすが、機械学習アルゴリズムの研究に焦点をあてることはあまりない。
横境界の存在下での回転成層乱流における渦-平均相互作用について考察する。
論文 参考訳(メタデータ) (2023-07-03T03:43:21Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Anomaly detection using data depth: multivariate case [1.1802674324027231]
異常検出は機械学習とデータ分析の一分野である。
データ深度(Data depth)は、データセットへの空間の任意の点の帰属度を測定する統計関数である。
本稿では,データ深度を効率的な異常検出ツールとして検討する。
論文 参考訳(メタデータ) (2022-10-06T12:14:25Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Audacity of huge: overcoming challenges of data scarcity and data
quality for machine learning in computational materials discovery [1.0036312061637764]
機械学習(ML)に加速された発見は、予測構造とプロパティの関係を明らかにするために大量の高忠実度データを必要とする。
材料発見に関心を持つ多くの特性において、データ生成の挑戦的な性質と高いコストは、人口が少なく、疑わしい品質を持つデータランドスケープを生み出している。
手作業によるキュレーションがなければ、より洗練された自然言語処理と自動画像解析により、文献から構造-プロパティ関係を学習できるようになる。
論文 参考訳(メタデータ) (2021-11-02T21:43:58Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - Description of Structural Biases and Associated Data in Sensor-Rich
Environments [6.548580592686077]
センサが豊富な環境下での活動認識を研究する。
帰納バイアスの問題とそのデータ収集プロセスへの影響に対処します。
本稿では,センサデータをレイヤに構成するメタモデリングプロセスを提案する。
論文 参考訳(メタデータ) (2021-04-11T00:26:59Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳(メタデータ) (2020-06-25T18:25:59Z)
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。