論文の概要: Design of Multi-model Linear Inferential Sensors with SVM-based
Switching Logic
- arxiv url: http://arxiv.org/abs/2206.08961v1
- Date: Fri, 17 Jun 2022 18:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 17:36:03.216983
- Title: Design of Multi-model Linear Inferential Sensors with SVM-based
Switching Logic
- Title(参考訳): SVMを用いたスイッチング論理を用いた多モデル線形推論センサの設計
- Authors: Martin Mojto, Miroslav Fikar, Radoslav Paulen
- Abstract要約: 多モデル線形推論センサは、予測精度が向上するが、モデル構造とトレーニングの簡易化を約束する。
マルチモデル推論センサ設計への標準的なアプローチは、1)データラベリング(個々のモデルのトレーニングサブセットを確立する)、2)データ分類(モデルのスイッチングロジックを作成する)、3)個々のモデルのトレーニングという3つのステップから構成される。
我々の貢献は、上述した2つの問題、すなわち、問題 a に対して、スイッチングロジック識別と組み合わせた新しい SVM ベースのモデルトレーニングを導入し、問題 b に対して、データラベリングの直接最適化を提案することである。
- 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: We study the problem of data-based design of multi-model linear inferential
(soft) sensors. The multi-model linear inferential sensors promise increased
prediction accuracy yet simplicity of the model structure and training. The
standard approach to the multi-model inferential sensor design consists in
three separate steps: 1) data labeling (establishing training subsets for
individual models), 2) data classification (creating a switching logic for the
models), and 3) training of individual models. There are two main issues with
this concept: a) as steps 2) & 3) are separate, discontinuities can occur when
switching between the models; b) as steps 1) & 3) are separate, data labelling
disregards the quality of the resulting model. Our contribution aims at both
the mentioned problems, where, for the problem a), we introduce a novel
SVM-based model training coupled with switching logic identification and, for
the problem b), we propose a direct optimization of data labelling. We
illustrate the proposed methodology and its benefits on an example from the
chemical engineering domain.
- Abstract(参考訳): マルチモデル線形推論(ソフト)センサのデータベース設計の問題について検討する。
多モデル線形推論センサは、予測精度が向上するが、モデル構造とトレーニングは単純である。
マルチモデル推論センサ設計への標準的なアプローチは、1)データラベリング(個々のモデルのトレーニングサブセットを確立する)、2)データ分類(モデルのスイッチングロジックを作成する)、3)個々のモデルのトレーニングという3つのステップから構成される。
この概念には2つの大きな問題があります
a) ステップ 2) と 3) は分離しているため、モデル間の切り替え時に不連続が生じることがある。
b) ステップ(1)及び(3)が分離されている場合、データラベリングは結果のモデルの品質を無視します。
私たちの貢献は、上記の問題、つまり、問題の両方を目標としています。
a) SVMベースの新しいモデルトレーニングを導入し, スイッチングロジックの識別を併用し, その問題に対処する。
b) データラベリングの直接最適化を提案する。
ケミカルエンジニアリング分野の例として,提案手法とその利点について解説する。
関連論文リスト
- From Bricks to Bridges: Product of Invariances to Enhance Latent Space
Communication [10.015318634895959]
異なるニューラルネットワークによって学習された表現は、モデルが同様の誘導バイアスの下で訓練されたときに構造的類似性を隠蔽することが観察されている。
我々は,不変成分の積空間を潜在表現の上に構築し,その表現に不変量の集合を直接組み込む汎用的手法を導入する。
我々は,ゼロショット縫合設定において,一貫した遅延類似性および下流性能向上を観察し,分類および再構成タスクに対するソリューションの有効性を検証した。
論文 参考訳(メタデータ) (2023-10-02T13:55:38Z) - Interpretable Differencing of Machine Learning Models [20.99877540751412]
2つのMLモデルの出力の相似性関数の予測の1つとしてモデル差分問題の定式化を行う。
ジョイントサロゲートツリー(JST)は、この2つのモデルのための2つの連結された決定木サロゲートから構成される。
JSTは違いを直感的に表現し、モデル決定ロジックのコンテキストに変化を配置します。
論文 参考訳(メタデータ) (2023-06-10T16:15:55Z) - An Empirical Study of Multimodal Model Merging [148.48412442848795]
モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。
我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。
本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
論文 参考訳(メタデータ) (2023-04-28T15:43:21Z) - FAS-UNet: A Novel FAS-driven Unet to Learn Variational Image
Segmentation [3.741136641573471]
本稿では,そのモデルとアルゴリズムを利用してマルチスケールの特徴を抽出する新しい変動モデルインフォームドネットワーク(FAS-Unet)を提案する。
提案するネットワークは,画像データと数理モデルを統合し,いくつかの畳み込みカーネルを学習して実装する。
実験結果から,提案するFAS-Unetは,定性的,定量的,モデル複雑度評価において,他の最先端手法と非常に競合することが示された。
論文 参考訳(メタデータ) (2022-10-27T04:15:16Z) - Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。
SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。
SFSCは評価データセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-06-16T16:46:32Z) - Mixing Deep Learning and Multiple Criteria Optimization: An Application
to Distributed Learning with Multiple Datasets [0.0]
トレーニングフェーズは、マシンラーニングプロセスにおいて最も重要なステージです。
本研究では,特定の入力とラベルに関連付けられた出力との距離を基準として,複数の基準最適化モデルを構築した。
MNISTデータを用いた数値分類において,このモデルと数値実験を実現するためのスカラー化手法を提案する。
論文 参考訳(メタデータ) (2021-12-02T16:00:44Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳(メタデータ) (2021-05-27T13:51:42Z) - Paired Examples as Indirect Supervision in Latent Decision Models [109.76417071249945]
我々は、ペア化された例を活用して、潜在的な決定を学習するためのより強力な手がかりを提供する方法を紹介します。
DROPデータセット上のニューラルネットワークを用いた合成質問応答の改善に本手法を適用した。
論文 参考訳(メタデータ) (2021-04-05T03:58:30Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - Concept Drift and Covariate Shift Detection Ensemble with Lagged Labels [22.826118321715455]
変更を検出し、モデルを再訓練することが重要です。
1) 分類誤り率のみを信号として使用すること,2) サンプルから特徴が受信された後に真実ラベルがすぐに利用可能であると仮定すること,3) 変更時にモデルの再トレーニングに使用するデータを決定することができないこと,の3つの弱点がある。
まず,6つの異なる信号を用いてデータの特徴を広範囲に把握し,ラベルのラグを許容し,ラグ後に対応する特徴のラベルを受信することで,第2の問題を解決する。
第3の問題として,提案手法は再トレーニングに使用するデータを自動的に決定する。
論文 参考訳(メタデータ) (2020-12-08T21:57:05Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳(メタデータ) (2020-01-15T18:32:06Z)
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。