論文の概要: Survival Analysis on Structured Data using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2205.14331v1
- Date: Sat, 28 May 2022 04:43:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 14:14:03.736247
- Title: Survival Analysis on Structured Data using Deep Reinforcement Learning
- Title（参考訳）: 深部強化学習を用いた構造化データの生存分析
- Authors: Renith G, Harikrishna Warrier, Yogesh Gupta
- Abstract要約: 本稿では,Double Deep Q Network(DDQN)と呼ばれるDeep Reinforcement Learningアルゴリズムを実装し,入力機能に基づいてデバイス障害を分類する。
このアルゴリズムは入力特徴の異なるバリエーションを学習でき、入力データに基づいてデバイスが失敗するかどうかを予測するのに堅牢である。
トレーニングされたモデルは、他のディープラーニングや機械学習モデルと比較して、大量のテストデータを効率的に予測し、良好に実行した。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Survival analysis is playing a major role in manufacturing sector by
analyzing occurrence of any unwanted event based on the input data. Predictive
maintenance, which is a part of survival analysis, helps to find any device
failure based on the current incoming data from different sensor or any
equipment. Deep learning techniques were used to automate the predictive
maintenance problem to some extent, but they are not very helpful in predicting
the device failure for the input data which the algorithm had not learned.
Since neural network predicts the output based on previous learned input
features, it cannot perform well when there is more variation in input
features. Performance of the model is degraded with the occurrence of changes
in input data and finally the algorithm fails in predicting the device failure.
This problem can be solved by our proposed method where the algorithm can
predict the device failure more precisely than the existing deep learning
algorithms. The proposed solution involves implementation of Deep Reinforcement
Learning algorithm called Double Deep Q Network (DDQN) for classifying the
device failure based on the input features. The algorithm is capable of
learning different variation of the input feature and is robust in predicting
whether the device will fail or not based on the input data. The proposed DDQN
model is trained with limited or lesser amount of input data. The trained model
predicted larger amount of test data efficiently and performed well compared to
other deep learning and machine learning models.
- Abstract（参考訳）: サバイバル分析は,入力データに基づく不要事象の発生を分析することで,製造分野において重要な役割を担っている。
予測メンテナンスは、生存分析の一部であり、異なるセンサーや機器からの現在の受信データに基づいてデバイス障害を見つけるのに役立つ。
ディープラーニング技術は、ある程度の予測メンテナンス問題の自動化に用いられたが、アルゴリズムが学習しなかった入力データのデバイス障害を予測するのにはあまり役に立たない。
ニューラルネットワークは、過去の学習した入力特徴に基づいて出力を予測するため、入力特徴のばらつきが大きい場合にはうまく動作しない。
モデルの性能は入力データの変化の発生によって低下し、最終的にアルゴリズムはデバイス障害の予測に失敗する。
この問題は、既存のディープラーニングアルゴリズムよりも正確にデバイス障害を予測できるアルゴリズムによって解決できる。
提案手法は、入力機能に基づいてデバイス障害を分類するDouble Deep Q Network(DDQN)と呼ばれるDeep Reinforcement Learningアルゴリズムの実装を含む。
このアルゴリズムは、入力特徴の異なるバリエーションを学習することができ、入力データに基づいてデバイスが失敗するかどうかを予測するのにロバストである。
提案したDDQNモデルは、限られたあるいは少ない量の入力データで訓練される。
トレーニングされたモデルは、他のディープラーニングや機械学習モデルと比較して、大量のテストデータを効率的に予測し、良好に実行した。
関連論文リスト
- Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳（メタデータ） (2024-10-30T17:20:10Z) - An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Inferring Data Preconditions from Deep Learning Models for Trustworthy
Prediction in Deployment [25.527665632625627]
デプロイ中に見つからないデータを使って、モデルの予測の信頼性を判断することが重要です。
従来のソフトウェアを特定し検証する既存の方法は、このタスクには不十分である。
本稿では、ニューラルネットワーク計算から導出されるルールを用いて、データ前提条件を推論する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-26T03:47:18Z) - Robust Machine Learning by Transforming and Augmenting Imperfect
Training Data [6.928276018602774]
この論文は、現代の機械学習のいくつかのデータ感度を探求する。
まず、トレーニングデータで測定された事前の人間の識別をMLが符号化するのを防ぐ方法について論じる。
次に、トレーニング中に予測忠実度を提供するが、デプロイ時に信頼性が低い突発的特徴を含むデータから学習する問題について論じる。
論文 参考訳（メタデータ） (2023-12-19T20:49:28Z) - RF+clust for Leave-One-Problem-Out Performance Prediction [0.9281671380673306]
本稿では,LOPO(Left-one-problem-out)のパフォーマンス予測について検討する。
我々は、標準ランダムフォレスト(RF)モデル予測が性能値の重み付き平均値で校正することで改善できるかどうかを解析する。
論文 参考訳（メタデータ） (2023-01-23T16:14:59Z) - Refining neural network predictions using background knowledge [68.35246878394702]
学習システムにおける論理的背景知識を用いて,ラベル付きトレーニングデータの不足を補うことができることを示す。
そこで本研究では,修正された予測を元の予測に近い精度で検出する微分可能精細関数を提案する。
このアルゴリズムは、複雑なSATの公式に対して、非常に少ない繰り返しで最適に洗練され、勾配降下ができない解がしばしば見つかる。
論文 参考訳（メタデータ） (2022-06-10T10:17:59Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Learning Output Embeddings in Structured Prediction [73.99064151691597]
構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。
原空間における予測は、前像問題の解法により計算される。
本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
論文 参考訳（メタデータ） (2020-07-29T09:32:53Z) - Estimating g-Leakage via Machine Learning [34.102705643128004]
本稿では,ブラックボックスシナリオにおけるシステムの情報漏洩を推定する問題について考察する。
システムの内部は学習者にとって未知であり、分析するには複雑すぎると仮定される。
機械学習(ML)アルゴリズムを用いて,g-vulnerabilityをブラックボックスで推定する手法を提案する。
論文 参考訳（メタデータ） (2020-05-09T09:26:36Z)
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。