論文の概要: Hierarchical Bayesian Modelling for Knowledge Transfer Across
Engineering Fleets via Multitask Learning
- arxiv url: http://arxiv.org/abs/2204.12404v4
- Date: Fri, 12 May 2023 16:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 16:42:59.265633
- Title: Hierarchical Bayesian Modelling for Knowledge Transfer Across
Engineering Fleets via Multitask Learning
- Title（参考訳）: マルチタスク学習によるエンジニアリングフリート間の知識伝達のための階層ベイズモデル
- Authors: L.A. Bull, D. Di Francesco, M. Dhada, O. Steinert, T. Lindgren, A.K.
Parlikad, A.B. Duncan, M. Girolami
- Abstract要約: エンジニアリングインフラストラクチャーの予測モデルを構築する際に,データの分散性に対処するために,集団レベルの分析を提案する。
解釈可能な階層的ベイズ的アプローチと運用上の艦隊データを利用することで、ドメインの専門知識は、異なるサブグループ間で自然に符号化される(そして適切に共有される)。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A population-level analysis is proposed to address data sparsity when
building predictive models for engineering infrastructure. Utilising an
interpretable hierarchical Bayesian approach and operational fleet data, domain
expertise is naturally encoded (and appropriately shared) between different
sub-groups, representing (i) use-type, (ii) component, or (iii) operating
condition. Specifically, domain expertise is exploited to constrain the model
via assumptions (and prior distributions) allowing the methodology to
automatically share information between similar assets, improving the survival
analysis of a truck fleet and power prediction in a wind farm. In each asset
management example, a set of correlated functions is learnt over the fleet, in
a combined inference, to learn a population model. Parameter estimation is
improved when sub-fleets share correlated information at different levels of
the hierarchy. In turn, groups with incomplete data automatically borrow
statistical strength from those that are data-rich. The statistical
correlations enable knowledge transfer via Bayesian transfer learning, and the
correlations can be inspected to inform which assets share information for
which effect (i.e. parameter). Both case studies demonstrate the wide
applicability to practical infrastructure monitoring, since the approach is
naturally adapted between interpretable fleet models of different in situ
examples.
- Abstract（参考訳）: エンジニアリングインフラストラクチャーの予測モデルを構築する際に,データの分散性に対処する集団レベルの分析を提案する。
解釈可能な階層的ベイズ的アプローチと運用艦隊データを利用することで、ドメインの専門知識は異なるサブグループ間で自然に符号化され、適切に共有される。
(i) use-type
(ii)コンポーネント、または
(iii)手術条件
具体的には、ドメインの専門知識を利用して、仮定(および以前の分布)を通じてモデルを制約し、方法論が類似した資産間で情報を自動的に共有できるようにし、トラックの生存分析を改善し、風力発電所で電力予測を行う。
各資産管理の例では、関連する関数の集合が、組み合わせた推論で、船上で学習され、人口モデルが学習される。
階層の異なるレベルで相関情報を共有することでパラメータ推定が改善される。
逆に、不完全データを持つグループは、データ豊富なグループから統計的な強度を自動で借用する。
統計的相関はベイズ移動学習による知識伝達を可能にし、どの資産がどの効果(すなわちパラメータ)を持つかを知るために相関を検査することができる。
どちらのケーススタディも、異なる実例の解釈可能なフリートモデル間でのアプローチが自然に適応するため、実用的なインフラストラクチャモニタリングに適用可能であることを示している。
関連論文リスト
- Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Encoding Domain Expertise into Multilevel Models for Source Location [0.5872014229110215]
この研究は、システム群のモデル間の統計的相関と相互依存性をキャプチャする。
最も興味深いことに、基礎となる物理学の専門知識と知識は、システム、サブグループ、あるいは集団レベルでモデルに符号化することができる。
論文 参考訳（メタデータ） (2023-05-15T14:02:35Z) - Feature Correlation-guided Knowledge Transfer for Federated
Self-supervised Learning [19.505644178449046]
特徴相関に基づくアグリゲーション(FedFoA)を用いたフェデレーション型自己教師型学習法を提案する。
私たちの洞察は、機能相関を利用して、特徴マッピングを整列し、ローカルトレーニングプロセス中にクライアント間でローカルモデルの更新を校正することにあります。
我々はFedFoAがモデルに依存しないトレーニングフレームワークであることを証明する。
論文 参考訳（メタデータ） (2022-11-14T13:59:50Z) - Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。
共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。
さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文 参考訳（メタデータ） (2022-07-08T10:25:47Z) - CDKT-FL: Cross-Device Knowledge Transfer using Proxy Dataset in Federated Learning [27.84845136697669]
我々は,グローバルモデルとローカルモデル間の知識伝達の程度を研究するために,新しい知識蒸留に基づくアプローチを開発する。
提案手法は局所モデルの大幅な高速化と高いパーソナライズ性能を実現する。
論文 参考訳（メタデータ） (2022-04-04T14:49:19Z) - Federated Learning Framework Coping with Hierarchical Heterogeneity in
Cooperative ITS [10.087704332539161]
階層的不均一性(H2-Fed)に対処する連合学習フレームワークを提案する。
このフレームワークは、ユーザーデータのプライバシに影響を与えることなく、車両ネットワーク内の接続された公共交通機関のデータを利用する。
論文 参考訳（メタデータ） (2022-04-01T05:33:54Z) - Unified Instance and Knowledge Alignment Pretraining for Aspect-based
Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。
事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。
我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文 参考訳（メタデータ） (2021-10-26T04:03:45Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Probing transfer learning with a model of synthetic correlated datasets [11.53207294639557]
トランスファーラーニングはニューラルネットワークのサンプル効率を大幅に向上させることができる。
我々は、データセット間の相関をモデル化するためのフレームワークとして、合成データの解決可能なモデルを再考する。
本研究では,本モデルが実データを用いた伝達学習の多彩な特徴を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-06-09T22:15:41Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。