論文の概要: On statistic alignment for domain adaptation in structural health monitoring

• arxiv url: http://arxiv.org/abs/2205.12052v1
• Date: Tue, 24 May 2022 13:01:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 15:11:44.489587
• Title: On statistic alignment for domain adaptation in structural health monitoring
• Title（参考訳）: 構造的健康モニタリングにおける領域適応の統計的アライメントについて
• Authors: Jack Poole, Paul Gardner, Nikolaos Dervilis, Lawrence Bull, Keith Worden
• Abstract要約: 伝達学習は、特徴空間を整列するマッピングを推論することで、集団からの情報を活用する可能性をもたらす。 典型的なドメイン適応(DA)法は、密度推定を行うのに十分なデータを必要とする非パラメトリック距離メトリクスに依存している。 これらの問題に対処するため、統計アライメント(SA)について論じ、これらの手法をクラス不均衡に対して堅牢にする方法を実証する。 数値ケーススタディにおいて,SAは標的ラベルのない損傷局所化を促進することを実証し,他の最先端DA法よりも優れた性能を示した。
• 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: The practical application of structural health monitoring (SHM) is often limited by the availability of labelled data. Transfer learning - specifically in the form of domain adaptation (DA) - gives rise to the possibility of leveraging information from a population of physical or numerical structures, by inferring a mapping that aligns the feature spaces. Typical DA methods rely on nonparametric distance metrics, which require sufficient data to perform density estimation. In addition, these methods can be prone to performance degradation under class imbalance. To address these issues, statistic alignment (SA) is discussed, with a demonstration of how these methods can be made robust to class imbalance, including a special case of class imbalance called a partial DA scenario. SA is demonstrated to facilitate damage localisation with no target labels in a numerical case study, outperforming other state-of-the-art DA methods. It is then shown to be capable of aligning the feature spaces of a real heterogeneous population, the Z24 and KW51 bridges, with only 220 samples used from the KW51 bridge. Finally, in scenarios where more complex mappings are required for knowledge transfer, SA is shown to be a vital pre-processing tool, increasing the performance of established DA methods.
• Abstract（参考訳）: 構造健康モニタリング(SHM)の実践的応用は、ラベル付きデータの可用性によって制限されることが多い。 転送学習(特にドメイン適応(DA)の形で)は、特徴空間を整列するマッピングを推論することによって、物理的あるいは数値的な構造の集団からの情報を活用する可能性をもたらす。 典型的なda法は非パラメトリック距離メトリクスに依存しており、密度推定を行うのに十分なデータを必要とする。 さらに、これらのメソッドはクラス不均衡下でのパフォーマンス低下を引き起こす可能性がある。 これらの問題に対処するために,統計アライメント (statistic alignment, sa) が議論され,それらの手法がクラス不均衡に対して頑健になることを示す。 数値ケーススタディにおいて,SAは標的ラベルのない損傷局所化を促進することを実証し,他の最先端DA法よりも優れた性能を示した。 その後、実際の異種集団であるZ24橋とKW51橋の特徴空間を整列できることが示され、KW51橋から使用されるサンプルはわずか220である。 最後に、知識転送にもっと複雑なマッピングが必要となるシナリオでは、saは重要な前処理ツールであることが示され、確立されたdaメソッドのパフォーマンスが向上する。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection [1.0436203990235575]
  本稿では,分布変化のモニタリングと検出のための連続学習フレームワークを提案する。 特に,2つのトポロジ保存マップ(自己組織化マップ)とスケール不変マップ(スケール不変マップ)の投影について検討する。 本手法は教師なしコンテキストと教師なしコンテキストの両方に適用できる。
  論文  参考訳（メタデータ） (2024-04-25T14:48:29Z)
• Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
  本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。 我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
  論文  参考訳（メタデータ） (2023-10-26T17:41:11Z)
• Comparing AutoML and Deep Learning Methods for Condition Monitoring using Realistic Validation Scenarios [0.0]
  本研究では、AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを広範囲に比較する。 実験では、ランダムなK倍のクロスバリデーションシナリオにおいて、全ての試験モデルに対して一貫した高い精度を示す。 実際のシナリオにおけるドメインシフトの存在を示す明確な勝者は現れない。
  論文  参考訳（メタデータ） (2023-08-28T14:57:29Z)
• Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
  この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。 DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。 この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
  論文  参考訳（メタデータ） (2023-01-03T10:56:25Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Non-stationary Gaussian process discriminant analysis with variable selection for high-dimensional functional data [0.0]
  高次元分類と特徴選択は、最近のデータ取得技術の進歩とともに至るところで行われている。 これらの構造は、主に変数の選択と分類を別々に行う2段階のアプローチに依存する一般的な手法に、さらなる課題をもたらす。 本稿では、これらのステップを統一されたフレームワークで組み合わせた、新しいガウス過程判別分析(GPDA)を提案する。
  論文  参考訳（メタデータ） (2021-09-29T03:35:49Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• A Fully Bayesian Gradient-Free Supervised Dimension Reduction Method using Gaussian Processes [3.2636291418858474]
  提案手法は、低次元部分空間と代理モデルパラメータの両方の不確かさを定量化するため、勾配のない完全にベイズ的である。 工学と科学の複数のデータセットで検証され、他の2つの最先端の手法と比較される。
  論文  参考訳（メタデータ） (2020-08-08T14:24:25Z)

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。