論文の概要: Transferable Cross-Tokamak Disruption Prediction with Deep Hybrid Neural
Network Feature Extractor
- arxiv url: http://arxiv.org/abs/2208.09594v1
- Date: Sat, 20 Aug 2022 03:29:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 14:23:10.479670
- Title: Transferable Cross-Tokamak Disruption Prediction with Deep Hybrid Neural
Network Feature Extractor
- Title（参考訳）: ディープハイブリッドニューラルネットワーク特徴抽出器を用いた転送可能クロストカマク破壊予測
- Authors: Wei Zheng, Fengming Xue, Ming Zhang, Zhongyong Chen, Chengshuo Shen,
Xinkun Ai, Nengchao Wang, Dalong Chen, Bihao Guo, Yonghua Ding, Zhipeng Chen,
Zhoujun Yang, Biao Shen, Bingjia Xiao, Yuan Pan
- Abstract要約: 将来のトカマクは、高性能放電における破壊をほとんど許容できない。
1つのトカマクで訓練された破壊予測モデルを他のトカマクに転送できる機械学習手法が必要である。
- 参考スコア（独自算出の注目度）: 4.736144727269566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting disruptions across different tokamaks is a great obstacle to
overcome. Future tokamaks can hardly tolerate disruptions at high performance
discharge. Few disruption discharges at high performance can hardly compose an
abundant training set, which makes it difficult for current data-driven methods
to obtain an acceptable result. A machine learning method capable of
transferring a disruption prediction model trained on one tokamak to another is
required to solve the problem. The key is a disruption prediction model
containing a feature extractor that is able to extract common disruption
precursor traces in tokamak diagnostic data, and a transferable disruption
classifier. Based on the concerns above, the paper first presents a deep fusion
feature extractor designed specifically for extracting disruption precursor
features from common diagnostics on tokamaks according to currently known
precursors of disruption, providing a promising foundation for transferable
models. The fusion feature extractor is proved by comparing with manual feature
extraction on J-TEXT. Based on the feature extractor trained on J-TEXT, the
disruption prediction model was transferred to EAST data with mere 20
discharges from EAST experiment. The performance is comparable with a model
trained with 1896 discharges from EAST. From the comparison among other model
training scenarios, transfer learning showed its potential in predicting
disruptions across different tokamaks.
- Abstract（参考訳）: 異なるトカマクの破壊を予測することは、克服すべき大きな障害です。
将来のトカマクは高性能放電時の破壊をほとんど許容できない。
高性能なディスラプション放電は、豊富なトレーニングセットを構成することがほとんどなく、現在のデータ駆動方式が許容できる結果を得るのが困難である。
一つのトカマクで訓練されたディスラプション予測モデルを他のトカマクに転送可能な機械学習方法が必要となる。
キーは、トカマク診断データにおける共通のディスラプション前駆体トレースを抽出可能な特徴抽出器と、転送可能なディスラプション分類器を含むディスラプション予測モデルである。
本論文はまず, トカマクの一般的な診断から破壊前駆体の特徴を抽出するための深部融合特徴抽出装置について, 現在知られている破壊前駆体に基づいて提案し, 転送可能なモデルの基礎となる。
融合特徴抽出器はj-textの手動特徴抽出と比較することにより証明される。
J-TEXTで訓練した特徴抽出器に基づいて, 破壊予測モデルをEAST実験から20回の放電でEASTデータに転送した。
性能はEASTからの1896年の排出で訓練されたモデルに匹敵する。
他のモデルトレーニングシナリオの比較から、トランスファー学習は、さまざまなトカマクの混乱を予測する可能性を示した。
関連論文リスト
- Downstream Transfer Attack: Adversarial Attacks on Downstream Models with Pre-trained Vision Transformers [95.22517830759193]
本稿では、事前訓練されたViTモデルから下流タスクへのこのような逆の脆弱性の伝達可能性について検討する。
DTAは攻撃成功率(ASR)が90%を超え、既存の手法をはるかに上回っていることを示す。
論文 参考訳（メタデータ） (2024-08-03T08:07:03Z) - Securely Fine-tuning Pre-trained Encoders Against Adversarial Examples [28.947545367473086]
本稿では,下流モデルのロバスト性向上を目的とした2段階逆微調整手法を提案する。
Gen-AFは最先端のDAEに対して高い試験精度と堅牢な試験精度を達成できることを実証した。
論文 参考訳（メタデータ） (2024-03-16T04:23:46Z) - Task-customized Masked AutoEncoder via Mixture of Cluster-conditional
Experts [104.9871176044644]
Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。
我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。
MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
論文 参考訳（メタデータ） (2024-02-08T03:46:32Z) - Leveraging Diffusion-Based Image Variations for Robust Training on
Poisoned Data [26.551317580666353]
バックドア攻撃は、ニューラルネットワークをトレーニングする上で深刻なセキュリティ上の脅威となる。
本稿では,近年の拡散モデルのパワーを生かして,潜在的に有毒なデータセットのモデルトレーニングを可能にする新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-10T07:25:06Z) - Cross-tokamak Disruption Prediction based on Physics-Guided Feature
Extraction and domain adaptation [3.0854960284180133]
本稿では,数回の放電だけで将来のトカマクの破壊を予測できる新しい手法を実証する。
最初のステップは、物理の既存の理解を利用して、各トカマクの診断信号から物理誘導された特徴を抽出することである。
第2のステップは、将来のトカマクからのデータと、既存のトカマクからの大量のデータを調整することだ。
論文 参考訳（メタデータ） (2023-09-11T10:13:30Z) - Disruption Precursor Onset Time Study Based on Semi-supervised Anomaly
Detection [6.287037295927318]
本稿では,不均衡な正と負のデータサンプルの欠点を克服する異常検出に基づく破壊予測手法を提案する。
異常検出予測器によって推定される開始時間を用いて前駆的なラベリングを最適化し、教師付き学習破壊予測器上で最適化されたラベルをテストする。
論文 参考訳（メタデータ） (2023-03-27T07:54:56Z) - Robust Transferable Feature Extractors: Learning to Defend Pre-Trained
Networks Against White Box Adversaries [69.53730499849023]
また, 予測誤差を誘導するために, 逆例を独立に学習した別のモデルに移すことが可能であることを示す。
本稿では,頑健な伝達可能な特徴抽出器(RTFE)と呼ばれる,ディープラーニングに基づく事前処理機構を提案する。
論文 参考訳（メタデータ） (2022-09-14T21:09:34Z) - Self-supervised Transformer for Deepfake Detection [112.81127845409002]
現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。
転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。
本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-02T17:44:40Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳（メタデータ） (2021-12-17T18:29:56Z) - Learning to Learn Transferable Attack [77.67399621530052]
転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。
本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。
提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
論文 参考訳（メタデータ） (2021-12-10T07:24:21Z) - Better sampling in explanation methods can prevent dieselgate-like
deception [0.0]
予測モデルの解釈性は、それらのバイアスとエラーの原因を決定するために必要である。
IME、LIME、SHAPなどの一般的なテクニックでは、インスタンス機能の摂動を使用して個々の予測を説明します。
改良されたサンプリングによりLIMEとSHAPのロバスト性が向上し,以前に未試験のメソッドIMEがすでに最もロバストであることが示されている。
論文 参考訳（メタデータ） (2021-01-26T13:41:37Z)
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。