Fugu-MT 論文翻訳(概要): Pattern Based Multivariate Regression using Deep Learning (PBMR-DP)

論文の概要: Pattern Based Multivariate Regression using Deep Learning (PBMR-DP)

arxiv url: http://arxiv.org/abs/2202.13541v1
Date: Mon, 28 Feb 2022 04:37:45 GMT
ステータス: 処理完了
システム内更新日: 2022-03-02 07:34:10.970215
Title: Pattern Based Multivariate Regression using Deep Learning (PBMR-DP)
Title（参考訳）: 深層学習(PBMR-DP)を用いたパターンベース多変量回帰
Authors: Jiztom Kavalakkatt Francis, Chandan Kumar, Jansel Herrera-Gerena, Kundan Kumar, Matthew J Darr,
Abstract要約: 我々は,コンピュータビジョンアーキテクチャとトレーニングプロセスを活用するために,センサからイメージへの変換を利用する。このデータ作成手法に加えて、農作物の連続収量情報を予測するための回帰出力を生成するための最先端アーキテクチャの利用についても検討する。
参考スコア（独自算出の注目度）: 2.7312390939670883
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a deep learning methodology for multivariate regression that is based on pattern recognition that triggers fast learning over sensor data. We used a conversion of sensors-to-image which enables us to take advantage of Computer Vision architectures and training processes. In addition to this data preparation methodology, we explore the use of state-of-the-art architectures to generate regression outputs to predict agricultural crop continuous yield information. Finally, we compare with some of the top models reported in MLCAS2021. We found that using a straightforward training process, we were able to accomplish a MAE of 4.394, RMSE of 5.945, and R^2 of 0.861.
Abstract（参考訳）: 本稿では,センサデータの高速な学習を促すパターン認識に基づく多変量回帰のためのディープラーニング手法を提案する。我々は,コンピュータビジョンアーキテクチャとトレーニングプロセスを活用するために,センサからイメージへの変換を行った。このデータ作成手法に加えて,農作物の連続収量情報を予測するための回帰アウトプットを生成するための最先端アーキテクチャの利用について検討する。最後に、MLCAS2021で報告された上位モデルと比較する。その結果、簡単なトレーニングプロセスにより、4.394のMAE、5.945のRMSE、0.861のR^2を達成できた。

関連論文リスト

A Critical Evaluation of AI Feedback for Aligning Large Language Models [60.42291111149438]
教師が既存のRLAIFパイプラインより優れていることを示す。より一般的には、RLAIFの利得は、ベースモデルファミリ、テスト時間評価プロトコル、批判モデルによって大きく異なることが分かる。
論文参考訳（メタデータ） (2024-02-19T18:53:54Z)
Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
最近のデータプライバシ法は、機械学習への関心を喚起している。課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
論文参考訳（メタデータ） (2023-12-07T07:17:24Z)
Symbolic Regression as Feature Engineering Method for Machine and Deep Learning Regression Tasks [0.6906005491572401]
本研究では,機械学習モデルに先立って,記号回帰(SR)を効果的な特徴工学(FE)プロセスとして統合することを提案する。合成および実世界の物理関連データセットを広範囲に実験することにより、SR起源の特徴の組み入れにより、機械学習とディープラーニングの回帰モデルの両方の予測能力が著しく向上することを示す。
論文参考訳（メタデータ） (2023-11-10T12:34:28Z)
Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文参考訳（メタデータ） (2023-08-01T03:44:56Z)
Understanding the effect of varying amounts of replay per step [0.0]
本研究では,マウンテンカー環境におけるDQN(Deep Q-Network)というモデルフリーアルゴリズムにおいて,各ステップごとの様々なリプレイの効果について検討する。
論文参考訳（メタデータ） (2023-02-20T20:54:11Z)
Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文参考訳（メタデータ） (2023-02-01T17:32:16Z)
Single image calibration using knowledge distillation approaches [1.7205106391379026]
カメラパラメータを自動的に推定するCNNアーキテクチャを構築した。我々は、新しいデータ配信のためのネットワークを更新する際に、知識を保存するために4つの一般的な漸進学習戦略を適用した。実験結果は, カメラキャリブレーションのキャリブレーション推定において, いずれの手法が優れているかが示唆された。
論文参考訳（メタデータ） (2022-12-05T15:59:35Z)
Learning with Multigraph Convolutional Filters [153.20329791008095]
MSPモデルに基づいて情報を処理する階層構造として多グラフ畳み込みニューラルネットワーク(MGNN)を導入する。また,MGNNにおけるフィルタ係数のトラクタブルな計算手法と,レイヤ間で転送される情報の次元性を低減するための低コストな手法を開発した。
論文参考訳（メタデータ） (2022-10-28T17:00:50Z)
Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文参考訳（メタデータ） (2022-09-07T15:15:12Z)
Merging Models with Fisher-Weighted Averaging [24.698591753644077]
我々は、複数のモデルを1つに“マージ”するモデル間で知識を伝達する、根本的に異なる方法を紹介します。提案手法は,モデルのパラメータの重み付け平均を効果的に計算する。マージ手順により、これまで探索されていなかった方法でモデルを組み合わせることが可能であることを示す。
論文参考訳（メタデータ） (2021-11-18T17:59:35Z)
Flow based features and validation metric for machine learning reconstruction of PIV data [0.0]
物理指向アプローチによる実データからのフローフィールドの再構築は、AIコミュニティにおける流体科学者の現在の課題である。本稿では、異なるフローベースの特徴のコントリビューションを研究するために機械学習アプローチを適用する。物理フロー再生の重要な要件として, 質量保存則を反映した計量法則を提案する。
論文参考訳（メタデータ） (2021-05-27T20:05:41Z)

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。