論文の概要: Functional Labeled Optimal Partitioning
- arxiv url: http://arxiv.org/abs/2210.02580v1
- Date: Wed, 5 Oct 2022 22:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 15:41:23.805519
- Title: Functional Labeled Optimal Partitioning
- Title（参考訳）: 機能ラベル付き最適パーティショニング
- Authors: Toby D. Hocking, Jacob M. Kaufman, Alyssa J. Stenberg
- Abstract要約: ピーク検出は、高いカウント(ピーク)を持つ領域と低いカウント(バックグラウンドノイズ)を持つ領域を区別する連続データ解析における問題である。
現在の制約付き変更ポイントアルゴリズムは、テストセットに対してのみ予測を生成し、列車セットを完全に無視する。
本稿では,列車ラベルの誤りをゼロとした新しい動的プログラミングアルゴリズムFLOPARTを提案し,テストセットに対して高精度な予測を行う。
- 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: Peak detection is a problem in sequential data analysis that involves
differentiating regions with higher counts (peaks) from regions with lower
counts (background noise).
It is crucial to correctly predict areas that deviate from the background
noise, in both the train and test sets of labels.
Dynamic programming changepoint algorithms have been proposed to solve the
peak detection problem by constraining the mean to alternatively increase and
then decrease.
The current constrained changepoint algorithms only create predictions on the
test set, while completely ignoring the train set.
Changepoint algorithms that are both accurate when fitting the train set, and
make predictions on the test set, have been proposed but not in the context of
peak detection models.
We propose to resolve these issues by creating a new dynamic programming
algorithm, FLOPART, that has zero train label errors, and is able to provide
highly accurate predictions on the test set.
We provide an empirical analysis that shows FLOPART has a similar time
complexity while being more accurate than the existing algorithms in terms of
train and test label errors.
- Abstract（参考訳）: ピーク検出は、高いカウント(ピーク)を持つ領域と低いカウント(バックグラウンドノイズ)を持つ領域を区別するシーケンシャルデータ解析における問題である。
ラベルの列車とテストセットの両方において、バックグラウンドノイズから逸脱する領域を正確に予測することが重要である。
動的プログラミング変更点アルゴリズムは,平均値の増大と減少を制約してピーク検出問題を解くために提案されている。
現在の制約付き変更ポイントアルゴリズムは、テストセットに対してのみ予測を生成し、列車セットを完全に無視する。
列車セットの適合とテストセットの予測の両方において正確である変更点アルゴリズムが提案されているが、ピーク検出モデルでは提案されていない。
そこで我々は,列車ラベル誤りをゼロとし,テストセット上で高精度な予測を可能にする新しい動的プログラミングアルゴリズム flopart を作成することで,この問題を解決することを提案する。
flopartは既存のアルゴリズムよりも、トレーニングやテストラベルエラーの点で正確でありながら、時間的複雑性が同じであることを示す経験的分析を提供する。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - ICET Online Accuracy Characterization for Geometry-Based Laser Scan
Matching [0.0]
Iterative Closest Ellipsoidal Transform (ICET)は、新しい3D LIDARスキャンマッチングアルゴリズムである。
ICETは、常にサブセンチメートルの精度でスキャンマッチングを行うことを示す。
このレベルの精度は、アルゴリズムが完全に解釈可能であるという事実と相まって、安全クリティカルな輸送用途に適している。
論文 参考訳（メタデータ） (2023-06-14T18:21:45Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - Is your noise correction noisy? PLS: Robustness to label noise with two
stage detection [16.65296285599679]
本報告では, ノイズが検出された場合に, ノイズの補正精度を向上させることを提案する。
多くの最先端コントリビューションでは、修正された擬似ラベルを推測する前にノイズサンプルを検出する2段階のアプローチが採用されている。
ノイズサンプルの擬似ラベルの正しさと強く相関する単純な測度である擬似ロスを提案する。
論文 参考訳（メタデータ） (2022-10-10T11:32:28Z) - Intersection of Parallels as an Early Stopping Criterion [64.8387564654474]
そこで本研究では,検証セットを必要とせずに,トレーニングイテレーションの早期停止点を見つける手法を提案する。
幅広い学習率において,コサイン距離基準 (CDC) と呼ばれる手法は,比較したすべての手法よりも平均的な一般化に寄与する。
論文 参考訳（メタデータ） (2022-08-19T19:42:41Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳（メタデータ） (2022-07-08T18:17:06Z) - Identifying Training Stop Point with Noisy Labeled Data [0.0]
テスト精度(MOTA)に近いトレーニング停止点(TSP)を見つけるためのアルゴリズムを開発しています。
我々は,CIFAR-10,CIFAR-100,実世界の雑音データを用いて,アルゴリズム(AutoTSP)のロバスト性を検証した。
論文 参考訳（メタデータ） (2020-12-24T20:07:30Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z) - Labeled Optimal Partitioning [1.0660480034605242]
部分的にラベル付けされたデータでは、列車とテストセットの両方において、正/負の領域の変化を正しく予測することが重要である。
既存の動的予測の1つは正確な適合ラベルであるが、ラベルのないテスト領域における変化点を予測しない。
列車データにラベルを適合させることが保証された新しい動的プログラミングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-24T18:08:53Z) - Linear time dynamic programming for the exact path of optimal models
selected from a finite set [0.38073142980732994]
本稿では,動的プログラミングアルゴリズムを用いて,ブレークポイントを線形時間で計算できることを示す。
点検出問題に対する実証的な結果から,精度と速度の向上が示された。
論文 参考訳（メタデータ） (2020-03-05T18:16:58Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。