Fugu-MT 論文翻訳(概要): Towards Deep Industrial Transfer Learning: Clustering for Transfer Case Selection

論文の概要: Towards Deep Industrial Transfer Learning: Clustering for Transfer Case Selection

arxiv url: http://arxiv.org/abs/2204.01620v1
Date: Mon, 4 Apr 2022 16:11:31 GMT
ステータス: 処理完了
システム内更新日: 2022-04-05 13:34:44.422806
Title: Towards Deep Industrial Transfer Learning: Clustering for Transfer Case Selection
Title（参考訳）: Deep Industrial Transfer Learningに向けて:転送事例選択のためのクラスタリング
Authors: Benjamin Maschler, Tim Knodel, Michael Weyrich
Abstract要約: 産業移行学習は、高度な手作業を伴わない異種および動的産業用ユースケースに対するディープラーニングアルゴリズムの適応性を高める。 BIRCHアルゴリズムは、個別の製造シナリオから産業時系列データセットを用いて評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Industrial transfer learning increases the adaptability of deep learning algorithms towards heterogenous and dynamic industrial use cases without high manual efforts. The appropriate selection of what to transfer can vastly improve a transfer's results. In this paper, a transfer case selection based upon clustering is presented. Founded on a survey of clustering algorithms, the BIRCH algorithm is selected for this purpose. It is evaluated on an industrial time series dataset from a discrete manufacturing scenario. Results underline the approaches' applicability caused by its results' reproducibility and practical indifference to sequence, size and dimensionality of (sub-)datasets to be clustered sequentially.
Abstract（参考訳）: 産業移行学習は、高度な手作業を伴わない異種および動的産業用ユースケースに対するディープラーニングアルゴリズムの適応性を高める。転送対象の適切な選択は、転送結果を大幅に改善することができる。本稿では,クラスタリングに基づく転送ケースの選択について述べる。クラスタリングアルゴリズムの調査に基づいて設立されたbirchアルゴリズムはこの目的のために選択される。個別の製造シナリオから,産業時系列データセットを用いて評価する。その結果, (サブ) データセットのシーケンス, サイズ, 次元性に対する再現性や実践的な差が, 連続的にクラスタ化される。

関連論文リスト

Transfer Learning of Surrogate Models: Integrating Domain Warping and Affine Transformations [4.515998639772672]
サロゲートモデルは、計算的に要求される現実世界のプロセスに効率的な代替手段を提供する。従来の研究では、微分可能および非微分可能サロゲートモデルの移動について研究されてきた。本稿は、より広い範囲のトランスフォーメーションに対処することで、これまでの研究を拡張している。
論文参考訳（メタデータ） (2025-01-30T13:46:48Z)
Model-Robust and Adaptive-Optimal Transfer Learning for Tackling Concept Shifts in Nonparametric Regression [7.243632426715939]
本稿では、最適性を適応的に達成しつつ、モデルの誤特定に対して頑健な転写学習手順を提案する。仮説伝達学習アルゴリズムの一般的なクラスにおいて、ガウス核を特定するための過剰リスクの適応収束率を導出する。
論文参考訳（メタデータ） (2025-01-18T20:33:37Z)
Deep Transfer $Q$-Learning for Offline Non-Stationary Reinforcement Learning [3.2839905453386162]
本稿では,非定常有限水平マルコフ決定過程によってモデル化された動的決定シナリオに対する伝達学習の研究を先導する。トランスファー可能なRLサンプル'を構築するために、新しい「再重み付きターゲティングプロシージャ'」を導入し、転送深度$Q*$-learning'を提案する。ニューラルネットワーク近似および遷移密度伝達における伝達学習の解析手法は、より広範な意味を持つ。
論文参考訳（メタデータ） (2025-01-08T23:03:18Z)
Data Augmentation for Traffic Classification [54.92823760790628]
Data Augmentation (DA) はコンピュータビジョン(CV)と自然言語処理(NLP)に広く採用されている技術である。 DAはネットワークのコンテキスト、特にトラフィック分類(TC)タスクにおいて、牽引力を得るのに苦労しています。
論文参考訳（メタデータ） (2024-01-19T15:25:09Z)
A Survey on Deep Industrial Transfer Learning in Fault Prognostics [0.0]
本稿では,この分野での今後の研究のベストプラクティスを確立することを目的とする。この分野では、結果を堅牢に比較し、科学的進歩を促進するための一般的なベンチマークが欠落していることが示されている。これらの出版物で利用されるデータセットを調査し、このようなベンチマークシナリオに適した候補を特定する。
論文参考訳（メタデータ） (2023-01-04T17:01:27Z)
Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文参考訳（メタデータ） (2022-09-29T18:11:01Z)
Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文参考訳（メタデータ） (2022-08-26T04:28:01Z)
Classifier Transfer with Data Selection Strategies for Online Support Vector Machine Classification with Class Imbalance [1.2599533416395767]
我々は、格納されたトレーニングデータのサイズを制限するデータ選択戦略に焦点を当てる。データ選択基準の正しい組み合わせを用いることで、分類器を適応させ、性能を大幅に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） (2022-08-10T02:36:20Z)
Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文参考訳（メタデータ） (2022-02-22T02:51:11Z)
SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文参考訳（メタデータ） (2021-12-06T08:38:38Z)
Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。