論文の概要: Parallel and Streaming Wavelet Neural Networks for Classification and Regression under Apache Spark

• arxiv url: http://arxiv.org/abs/2209.03056v1
• Date: Wed, 7 Sep 2022 10:41:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:13:34.445424
• Title: Parallel and Streaming Wavelet Neural Networks for Classification and Regression under Apache Spark
• Title（参考訳）: Apache Sparkによる分類と回帰のための並列およびストリーミングウェーブレットニューラルネットワーク
• Authors: Eduru Harindra Venkatesh, Yelleti Vivek, Vadlamani Ravi and Orsu Shiva Shankar
• Abstract要約: この研究は、400万以上のサンプルを持つガスセンサデータや、1万以上の特徴を持つ医療研究データなど、大きなデータセットで実施された。 静的環境では、モレットアクティベーション機能付きSPWNNは、分類データセット上でガウシアンと共にSPWNNより優れていた。 全体として、提案されたSPWNNアーキテクチャは1.32-1.40の高速化を達成した。
• 参考スコア（独自算出の注目度）: 3.773653335175799
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wavelet neural networks (WNN) have been applied in many fields to solve regression as well as classification problems. After the advent of big data, as data gets generated at a brisk pace, it is imperative to analyze it as soon as it is generated owing to the fact that the nature of the data may change dramatically in short time intervals. This is necessitated by the fact that big data is all pervasive and throws computational challenges for data scientists. Therefore, in this paper, we built an efficient Scalable, Parallelized Wavelet Neural Network (SPWNN) which employs the parallel stochastic gradient algorithm (SGD) algorithm. SPWNN is designed and developed under both static and streaming environments in the horizontal parallelization framework. SPWNN is implemented by using Morlet and Gaussian functions as activation functions. This study is conducted on big datasets like gas sensor data which has more than 4 million samples and medical research data which has more than 10,000 features, which are high dimensional in nature. The experimental analysis indicates that in the static environment, SPWNN with Morlet activation function outperformed SPWNN with Gaussian on the classification datasets. However, in the case of regression, the opposite was observed. In contrast, in the streaming environment i.e., Gaussian outperformed Morlet on the classification and Morlet outperformed Gaussian on the regression datasets. Overall, the proposed SPWNN architecture achieved a speedup of 1.32-1.40.
• Abstract（参考訳）: ウェーブレットニューラルネットワーク(WNN)は、回帰や分類問題を解くために多くの分野に適用されている。 ビッグデータの出現後、データが不安定なペースで生成されるようになると、データの性質が短時間で劇的に変化する可能性があるため、それが生成されるとすぐに分析することが不可欠である。 これは、ビッグデータが広く普及し、データサイエンティストに計算上の課題を投げかけるという事実によって必要である。 そこで本稿では,並列確率勾配アルゴリズム(SGD)を用いた,スケーラブルで並列化されたウェーブレットニューラルネットワーク(SPWNN)を構築した。 SPWNNは水平並列化フレームワークの静的およびストリーミング環境下で設計・開発されている。 SPWNNは、モレット関数とガウス関数をアクティベーション関数として使用する。 この研究は、400万以上のサンプルを持つガスセンサデータや、1万以上の特徴を持つ医学研究データといった、自然界の高次元なデータセットを用いて行われた。 静的環境におけるspwnnとmorletアクティベーション関数は,分類データセットにおいてgaussianのspwnnよりも優れていた。 しかし, 回帰の場合, 反対の傾向が見られた。 対照的に、ストリーミング環境では、gaussianが分類でmorletを上回り、morletが回帰データセットでgaussianを上回った。 全体として、提案されたSPWNNアーキテクチャは1.32-1.40の高速化を達成した。

関連論文リスト

• Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
  データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。 我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。 この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
  論文  参考訳（メタデータ） (2024-09-25T02:58:45Z)
• Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification [6.830148185797109]
  データ拡張による新しい数ショット学習フレームワークを提案する。 シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。 本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
  論文  参考訳（メタデータ） (2023-11-06T15:32:50Z)
• Separable Gaussian Neural Networks: Structure, Analysis, and Function Approximations [2.17301816060102]
  我々は新しいフィードフォワードネットワーク-分離型ガウスニューラルネットワーク(SGNN)を提案する。 SGNNはガウス関数の分離性を利用して、データを複数の列に分割し、順次並列層にフィードする。 実験により,SGNNはGRBFNNよりも100倍の精度で高速化できることが示された。
  論文  参考訳（メタデータ） (2023-08-13T03:54:30Z)
• Integrating Random Effects in Deep Neural Networks [4.860671253873579]
  深層ニューラルネットワークにおける相関データを扱うために混合モデルフレームワークを提案する。 相関構造に基づく効果をランダムな効果として扱うことにより、混合モデルは過度に適合したパラメータ推定を避けることができる。 LMMNNと呼ばれる我々のアプローチは、様々な相関シナリオにおいて、自然競合よりも性能を向上させることが実証されている。
  論文  参考訳（メタデータ） (2022-06-07T14:02:24Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
  グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。 本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。 我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
  論文  参考訳（メタデータ） (2022-02-13T10:54:59Z)
• 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)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)
• A Neural Network Approach for Online Nonlinear Neyman-Pearson Classification [3.6144103736375857]
  論文の中では,オンラインと非線形の両方で初となる新しいNeyman-Pearson(NP)分類器を提案する。 提案する分類器は、オンライン方式でバイナリラベル付きデータストリーム上で動作し、ユーザが指定し、制御可能な偽陽性率の検出能力を最大化する。 提案アルゴリズムは大規模データアプリケーションに適しており,実時間処理による偽陽性率制御性を実現している。
  論文  参考訳（メタデータ） (2020-06-14T20:00:25Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。