論文の概要: VFDS: Variational Foresight Dynamic Selection in Bayesian Neural
Networks for Efficient Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2204.00130v1
- Date: Thu, 31 Mar 2022 22:52:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 13:55:11.454929
- Title: VFDS: Variational Foresight Dynamic Selection in Bayesian Neural
Networks for Efficient Human Activity Recognition
- Title(参考訳): VFDS:効率的な人的活動認識のためのベイズニューラルネットワークにおける変動予測動的選択
- Authors: Randy Ardywibowo, Shahin Boluki, Zhangyang Wang, Bobak Mortazavi,
Shuai Huang, Xiaoning Qian
- Abstract要約: 変動予測動的選択(VFDS)は、観測する次の機能サブセットを選択するポリシーを学ぶ。
本稿では,その実践においてパフォーマンスコストのトレードオフが重要となるヒューマンアクティビティ認識(HAR)タスクに,VFDSを適用した。
- 参考スコア(独自算出の注目度): 81.29900407096977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many machine learning tasks, input features with varying degrees of
predictive capability are acquired at varying costs. In order to optimize the
performance-cost trade-off, one would select features to observe a priori.
However, given the changing context with previous observations, the subset of
predictive features to select may change dynamically. Therefore, we face the
challenging new problem of foresight dynamic selection (FDS): finding a dynamic
and light-weight policy to decide which features to observe next, before
actually observing them, for overall performance-cost trade-offs. To tackle
FDS, this paper proposes a Bayesian learning framework of Variational Foresight
Dynamic Selection (VFDS). VFDS learns a policy that selects the next feature
subset to observe, by optimizing a variational Bayesian objective that
characterizes the trade-off between model performance and feature cost. At its
core is an implicit variational distribution on binary gates that are dependent
on previous observations, which will select the next subset of features to
observe. We apply VFDS on the Human Activity Recognition (HAR) task where the
performance-cost trade-off is critical in its practice. Extensive results
demonstrate that VFDS selects different features under changing contexts,
notably saving sensory costs while maintaining or improving the HAR accuracy.
Moreover, the features that VFDS dynamically select are shown to be
interpretable and associated with the different activity types. We will release
the code.
- Abstract(参考訳): 多くの機械学習タスクでは、様々なコストで予測能力の異なる入力特徴が取得される。
パフォーマンスコストのトレードオフを最適化するために、プリオリを観察する機能を選択する。
しかし、以前の観測による文脈の変化を考えると、選択する予測特徴のサブセットは動的に変化する可能性がある。
そこで我々は,FDS (Foresight dynamic selection) という課題に直面している: パフォーマンスコストのトレードオフ全体に対して,次にどの機能を観測するかを決定するための動的で軽量なポリシーを見つけること。
本稿では,fdsに取り組むために,変分フォアテア動的選択(vfds)のベイズ学習フレームワークを提案する。
VFDSは、モデルパフォーマンスと機能コストのトレードオフを特徴付ける変分ベイズ目標を最適化することで、観測する次の機能サブセットを選択するポリシーを学習する。
中心となるのは、以前の観測に依存するバイナリゲート上の暗黙の変動分布であり、観測する機能の次のサブセットを選択する。
本稿では,パフォーマンスコストのトレードオフが重要となるヒューマンアクティビティ認識(HAR)タスクに,VFDSを適用した。
以上の結果から,VFDSは,HARの精度を維持したり改善したりしながら,センサコストの削減を図っている。
さらに、VFDSが動的に選択する特徴は解釈可能で、異なるアクティビティタイプと関連付けられている。
コードをリリースします。
関連論文リスト
- Contextual Feature Selection with Conditional Stochastic Gates [10.887693049808522]
そこでは,特定の文脈で条件付けられた情報的特徴のサブセットを特定しながら,予測関数の学習を目標とする文脈的特徴選択の問題について検討する。
我々は最近提案されたゲートを文脈変数に基づいてパラメータを予測する条件付きベルヌーイ変数として一般化する。
我々は、医療、住宅、神経科学などのシミュレーションおよび実世界のデータセットにc-STGを適用し、効果的に文脈的に意味のある特徴を示す。
論文 参考訳(メタデータ) (2023-12-21T19:12:59Z) - AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable
Diffusion Model [69.12623428463573]
AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。
ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。
選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-03T13:53:08Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳(メタデータ) (2023-09-22T06:55:41Z) - Estimating Conditional Mutual Information for Dynamic Feature Selection [14.50261153230204]
動的な特徴選択は、機能獲得コストを削減し、予測プロセスに透明性を提供する、有望なパラダイムである。
ここでは、情報理論の観点から、応答変数との相互情報に基づいて特徴を優先順位付けする。
サンプル間での多様な機能予算の実現、機能間の一様でないコストの実現、事前情報の導入、部分的な入力情報を扱うための現代的なアーキテクチャの探索など、いくつかの改善点を紹介します。
論文 参考訳(メタデータ) (2023-06-05T23:03:03Z) - MT-SLVR: Multi-Task Self-Supervised Learning for Transformation
In(Variant) Representations [2.94944680995069]
本稿では,パラメータ効率のよいマルチタスク型自己教師型フレームワーク(MT-SLVR)を提案する。
我々は,様々な音声領域から抽出された数ショットの分類タスクに対するアプローチを評価し,分類性能の向上を実証した。
論文 参考訳(メタデータ) (2023-05-29T09:10:50Z) - Remembering What Is Important: A Factorised Multi-Head Retrieval and
Auxiliary Memory Stabilisation Scheme for Human Motion Prediction [41.34294145237618]
本稿では、歴史的知識のモデリングを改善するために、革新的な補助メモリ駆動のディープニューラルネットワークフレームワークを提案する。
我々は、観察されたポーズシーケンスから、主観的、タスク固有、その他の補助情報を切り離し、これらの分解された特徴を利用してメモリを問い合わせる。
2つの新たな損失関数を導入し、メモリ内容の安定性を確保しつつ補助記憶内の多様性を促進する。
論文 参考訳(メタデータ) (2023-05-19T02:44:58Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳(メタデータ) (2022-11-15T15:58:56Z) - Adaptive Discrete Communication Bottlenecks with Dynamic Vector
Quantization [76.68866368409216]
入力に条件付けされた離散化の厳密度を動的に選択する学習を提案する。
コミュニケーションボトルネックの動的に変化する厳密さは、視覚的推論や強化学習タスクにおけるモデル性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-02-02T23:54:26Z) - Discriminative and Semantic Feature Selection for Place Recognition
towards Dynamic Environments [12.973423183330961]
DSFeatと呼ばれる識別的・意味的特徴選択ネットワークを提案する。
セマンティック情報とアテンション機構の両方によって監督され、特徴の画素単位の安定性を推定できる。
私たちの提案は、任意の機能ベースのSLAMシステムに簡単にプラグインできることに注意してください。
論文 参考訳(メタデータ) (2021-03-18T05:11:46Z)
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。