Fugu-MT 論文翻訳(概要): An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection

論文の概要: An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection

arxiv url: http://arxiv.org/abs/2212.03188v2
Date: Thu, 3 Aug 2023 13:41:59 GMT
ステータス: 処理完了
システム内更新日: 2023-08-04 17:25:45.621135
Title: An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection
Title（参考訳）: 地動スペクトルクラスタリングと選択のための教師なし機械学習手法
Authors: R. Bailey Bond, Pu Ren, Jerome F. Hajjar, and Hao Sun
Abstract要約: 本稿では,地震動スペクトルの特徴を抽出する教師なし機械学習アルゴリズムを提案する。潜時特性は、ニューラルネットワークオートエンコーダの非線形関係を通して学習された低次元の機械によるスペクトル特性である。合成およびフィールド記録された地動データセットの使用など、このアプローチを検証するための3つの例が提示される。
参考スコア（独自算出の注目度）: 6.3376363722490145
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Clustering analysis of sequence data continues to address many applications in engineering design, aided with the rapid growth of machine learning in applied science. This paper presents an unsupervised machine learning algorithm to extract defining characteristics of earthquake ground-motion spectra, also called latent features, to aid in ground-motion selection (GMS). In this context, a latent feature is a low-dimensional machine-discovered spectral characteristic learned through nonlinear relationships of a neural network autoencoder. Machine discovered latent features can be combined with traditionally defined intensity measures and clustering can be performed to select a representative subgroup from a large ground-motion suite. The objective of efficient GMS is to choose characteristic records representative of what the structure will probabilistically experience in its lifetime. Three examples are presented to validate this approach, including the use of synthetic and field recorded ground-motion datasets. The presented deep embedding clustering of ground-motion spectra has three main advantages: 1. defining characteristics the represent the sparse spectral content of ground-motions are discovered efficiently through training of the autoencoder, 2. domain knowledge is incorporated into the machine learning framework with conditional variables in the deep embedding scheme, and 3. method exhibits excellent performance when compared to a benchmark seismic hazard analysis.
Abstract（参考訳）: シーケンスデータのクラスタリング分析は、応用科学における機械学習の急速な成長に助けられて、エンジニアリング設計における多くの応用に引き続き取り組んでいる。本稿では,地震動スペクトル(潜時特徴)の特徴を抽出し,地震動選択(gms)を支援する教師なし機械学習アルゴリズムを提案する。この文脈では、潜伏特徴は、ニューラルネットワークオートエンコーダの非線形関係を通じて学習される低次元機械によるスペクトル特性である。検出された潜在機能は、従来定義されていた強度測定と組み合わせて、大規模な地動スイートから代表サブグループを選択するクラスタリングを行うことができる。効率的なGMSの目的は、その構造が生後どのように確率的に経験するかを表す特徴レコードを選択することである。合成およびフィールド記録された地動データセットの使用など、このアプローチを検証するための3つの例が提示される。地中移動スペクトルの深層埋め込みクラスタリングには3つの利点がある。 1. オートエンコーダのトレーニングにより, 接地運動のスパーススペクトル量を表す特性を効率的に検出する。 2. 深層埋め込み方式における条件変数を持つ機械学習フレームワークにドメイン知識が組み込まれている。 3. 基準震害解析と比較すると, 優れた性能を示す。

関連論文リスト

EMG-Based Hand Gesture Recognition through Diverse Domain Feature Enhancement and Machine Learning-Based Approach [1.8796659304823702]
表面筋電図(EMG)は手の動き認識と人間とコンピュータの相互作用において重要なツールである。本研究では,EMG信号を用いた手動作の分類手法を提案する。
論文参考訳（メタデータ） (2024-08-25T04:55:42Z)
HSIMamba: Hyperpsectral Imaging Efficient Feature Learning with Bidirectional State Space for Classification [16.742768644585684]
HSIMambaは、双方向の逆畳み込みニューラルネットワークパスを使用して、スペクトル特徴をより効率的に抽出する新しいフレームワークである。提案手法は,CNNの動作効率と,トランスフォーマに見られる注意機構の動的特徴抽出機能を組み合わせたものである。このアプローチは、現在のベンチマークを超えて分類精度を改善し、トランスフォーマーのような高度なモデルで遭遇する計算の非効率性に対処する。
論文参考訳（メタデータ） (2024-03-30T07:27:36Z)
Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文参考訳（メタデータ） (2024-03-10T10:36:32Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
Understanding learning from EEG data: Combining machine learning and feature engineering based on hidden Markov models and mixed models [0.0]
前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。 EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
論文参考訳（メタデータ） (2023-11-14T12:24:12Z)
DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
複雑な撮像条件による空間変動のため,HSI分類は困難である。本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。提案手法は,HSI分類における最先端手法よりも優れている。
論文参考訳（メタデータ） (2023-04-19T18:32:52Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
A3CLNN: Spatial, Spectral and Multiscale Attention ConvLSTM Neural Network for Multisource Remote Sensing Data Classification [24.006660419933727]
本稿では,ハイパースペクトル画像(HSI)と光検出・測光(LiDAR)の2つのデータソースを補完する手法を提案する。我々は,特徴抽出と分類のための2チャネル空間,スペクトル,マルチスケールの長期記憶ニューラルネットワーク(デュアルチャネルA3CLNN)を開発した。
論文参考訳（メタデータ） (2022-04-09T12:43:32Z)
Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。提案手法は、公開データセットを使用して検証されている。
論文参考訳（メタデータ） (2021-06-07T09:41:15Z)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。