論文の概要: Improving decision-making via risk-based active learning: Probabilistic
discriminative classifiers
- arxiv url: http://arxiv.org/abs/2206.11616v1
- Date: Thu, 23 Jun 2022 10:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 13:09:38.299813
- Title: Improving decision-making via risk-based active learning: Probabilistic
discriminative classifiers
- Title（参考訳）: リスクベースアクティブラーニングによる意思決定の改善:確率的判別分類器
- Authors: Aidan J. Hughes, Paul Gardner, Lawrence A. Bull, Nikolaos Dervilis,
Keith Worden
- Abstract要約: 監視されたシステムの状態に対応する測定データの記述ラベルは、しばしば利用できない。
この問題に対処する1つのアプローチは、リスクベースのアクティブラーニングである。
本論文では,識別モデルを用いた代替型分類器の利点について述べる。
- 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: Gaining the ability to make informed decisions on operation and maintenance
of structures provides motivation for the implementation of structural health
monitoring (SHM) systems. However, descriptive labels for measured data
corresponding to health-states of the monitored system are often unavailable.
This issue limits the applicability of fully-supervised machine learning
paradigms for the development of statistical classifiers to be used in
decision-support in SHM systems. One approach to dealing with this problem is
risk-based active learning. In such an approach, data-label querying is guided
according to the expected value of perfect information for incipient data
points. For risk-based active learning in SHM, the value of information is
evaluated with respect to a maintenance decision process, and the data-label
querying corresponds to the inspection of a structure to determine its health
state.
In the context of SHM, risk-based active learning has only been considered
for generative classifiers. The current paper demonstrates several advantages
of using an alternative type of classifier -- discriminative models. Using the
Z24 Bridge dataset as a case study, it is shown that discriminative classifiers
have benefits, in the context of SHM decision-support, including improved
robustness to sampling bias, and reduced expenditure on structural inspections.
- Abstract（参考訳）: 構造物の運用と維持に関する情報的決定を行う能力を得ることは、構造的健康モニタリング(SHM)システムの実装の動機となる。
しかし、モニタリングされたシステムの健康状態に対応する測定データの記述ラベルは、しばしば利用できない。
この問題は、SHMシステムにおける決定支援に使用される統計分類器の開発のために、完全に教師付き機械学習パラダイムの適用性を制限する。
この問題に対処する1つのアプローチは、リスクベースのアクティブラーニングである。
このようなアプローチでは、初期データポイントに対する完全情報の期待値に応じてデータラベルクエリを誘導する。
shmにおけるリスクベースのアクティブラーニングでは、メンテナンス決定プロセスに関して情報の価値を評価し、データラベルクエリは、その健康状態を決定するための構造の検査に対応する。
SHMの文脈では、リスクベースのアクティブラーニングは生成型分類器としてのみ考慮されている。
本論文では,識別モデルを用いた代替型分類器の利点について述べる。
z24ブリッジデータセットをケーススタディとして使用することにより,scm決定支援の文脈において,サンプリングバイアスに対するロバスト性の向上や構造検査への支出削減など,識別分類器のメリットが示された。
関連論文リスト
- Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Bring Your Own Data! Self-Supervised Evaluation for Large Language
Models [52.15056231665816]
大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。
閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。
自己監督評価と人監督評価との間には強い相関関係が認められた。
論文 参考訳（メタデータ） (2023-06-23T17:59:09Z) - Mitigating Catastrophic Forgetting in Task-Incremental Continual
Learning with Adaptive Classification Criterion [50.03041373044267]
本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。
実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
論文 参考訳（メタデータ） (2023-05-20T19:22:40Z) - Mitigating sampling bias in risk-based active learning via an EM
algorithm [0.0]
リスクベースのアクティブラーニングは、オンライン意思決定支援のための統計分類器を開発するためのアプローチである。
データラベルクエリは、初期データポイントに対する完全情報の期待値に応じてガイドされる。
半教師付きアプローチは、EMアルゴリズムを介して未ラベルデータの擬似ラベルを組み込むことでサンプリングバイアスに対処する。
論文 参考訳（メタデータ） (2022-06-25T08:48:25Z) - Modeling Disagreement in Automatic Data Labelling for Semi-Supervised
Learning in Clinical Natural Language Processing [2.016042047576802]
放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
論文 参考訳（メタデータ） (2022-05-29T20:20:49Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳（メタデータ） (2022-01-26T19:59:14Z) - On robust risk-based active-learning algorithms for enhanced decision
support [0.0]
分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。
本稿では,サンプリングバイアスの効果に対処する2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2022-01-07T17:25:41Z) - On risk-based active learning for structural health monitoring [0.0]
本稿では,構造的健康モニタリングシステムにおけるアクティブラーニングのリスクに基づく定式化について述べる。
クラスラベルのクエリは、その健康状態を決定するために関心のある構造の検査にマッピングすることができる。
論文 参考訳（メタデータ） (2021-05-12T12:34:03Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z) - Implicit supervision for fault detection and segmentation of emerging
fault types with Deep Variational Autoencoders [1.160208922584163]
本研究では,ラベル付きおよびラベルなしサンプルを用いた可変オートエンコーダ(VAE)を提案する。
これによりコンパクトで情報に富んだ潜在表現が生成され、未確認のフォールトタイプの検出とセグメンテーションが良好になる。
本研究では,提案手法が他の学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2019-12-28T18:40:33Z)
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。