論文の概要: Online Active Learning for Soft Sensor Development using Semi-Supervised Autoencoders

• arxiv url: http://arxiv.org/abs/2212.13067v3
• Date: Sun, 9 Apr 2023 21:09:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 21:11:52.282566
• Title: Online Active Learning for Soft Sensor Development using Semi-Supervised Autoencoders
• Title（参考訳）: 半スーパービジョンオートエンコーダを用いたソフトセンサ開発のためのオンラインアクティブラーニング
• Authors: Davide Cacciarelli, Murat Kulahci, John Tyssedal
• Abstract要約: データ駆動型ソフトセンサーは、産業や化学プロセスにおいて、ハード・トゥ・計測プロセスの変数を予測するために広く使われている。 アクティブな学習方法は、クエリに最も有意義なラベルを提案することができるため、非常に有益である。 本研究では,これらのアプローチのいくつかをストリームベースのシナリオに適用し,最も情報に富むデータポイントの選択にどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 0.7734726150561089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven soft sensors are extensively used in industrial and chemical processes to predict hard-to-measure process variables whose real value is difficult to track during routine operations. The regression models used by these sensors often require a large number of labeled examples, yet obtaining the label information can be very expensive given the high time and cost required by quality inspections. In this context, active learning methods can be highly beneficial as they can suggest the most informative labels to query. However, most of the active learning strategies proposed for regression focus on the offline setting. In this work, we adapt some of these approaches to the stream-based scenario and show how they can be used to select the most informative data points. We also demonstrate how to use a semi-supervised architecture based on orthogonal autoencoders to learn salient features in a lower dimensional space. The Tennessee Eastman Process is used to compare the predictive performance of the proposed approaches.
• Abstract（参考訳）: データ駆動型ソフトセンサーは工業プロセスや化学プロセスで広く使われ、日常的な操作中に実際の値が追跡しにくいプロセス変数を予測する。 これらのセンサで使用される回帰モデルは、しばしば多くのラベル付き例を必要とするが、品質検査によって必要とされる高い時間とコストを考えると、ラベル情報を取得することは非常に高価である。 この文脈では、アクティブな学習手法は、クエリに最も有益なラベルを提案できるため、非常に有益である。 しかしながら、回帰のために提案されたアクティブな学習戦略のほとんどは、オフライン設定に重点を置いている。 本研究では,これらのアプローチのいくつかをストリームベースのシナリオに適応させ,最も有益なデータポイントを選択できる方法を示す。 また,直交オートエンコーダに基づく半教師付きアーキテクチャを用いて,低次元空間におけるサルエント特徴を学習する方法を示す。 テネシー・イーストマン過程は、提案されたアプローチの予測性能を比較するために用いられる。

関連論文リスト

• A deep latent variable model for semi-supervised multi-unit soft sensing in industrial processes [0.0]
  半教師付きマルチユニットソフトセンシングのための潜時変動モデルを提案する。 この階層的で生成的なモデルは、ラベル付きデータとラベルなしデータの両方から学習するだけでなく、異なるユニットを共同でモデル化することができる。 半教師付き学習とマルチタスク学習を組み合わせることで,提案手法は優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-18T09:13:22Z)
• An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
  命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。 アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。 本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:56:54Z)
• Multi-unit soft sensing permits few-shot learning [0.0]
  知識が強い関連性を持つソフトセンサー学習タスク間で伝達されると、一般的に性能向上が達成される。 転送可能性に関する特に関係のあるケースは、同じタイプのソフトセンサーを、類似しているが物理的に異なるプロセスやユニットのために開発する場合である。 この設定で転送可能性を利用する手法を適用すると、マルチユニットソフトセンシングと呼ばれるものになります。
  論文  参考訳（メタデータ） (2023-09-27T17:50:05Z)
• A Survey on Deep Industrial Transfer Learning in Fault Prognostics [0.0]
  本稿では,この分野での今後の研究のベストプラクティスを確立することを目的とする。 この分野では、結果を堅牢に比較し、科学的進歩を促進するための一般的なベンチマークが欠落していることが示されている。 これらの出版物で利用されるデータセットを調査し、このようなベンチマークシナリオに適した候補を特定する。
  論文  参考訳（メタデータ） (2023-01-04T17:01:27Z)
• Stream-based active learning with linear models [0.7734726150561089]
  生産において、製品情報を取得するためにランダム検査を行う代わりに、ラベルなしデータの情報内容を評価することによりラベルを収集する。 本稿では,ストリームベースのシナリオを学習者に順次提供するための新たな戦略を提案する。 未ラベルデータポイントの通知性にしきい値を設定することにより、意思決定プロセスの反復的な側面に取り組む。
  論文  参考訳（メタデータ） (2022-07-20T13:15:23Z)
• ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
  本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。 本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
  論文  参考訳（メタデータ） (2022-05-10T15:39:11Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Active Learning: Problem Settings and Recent Developments [2.1574781022415364]
  本稿では,アクティブラーニングの基本的課題と最近の研究動向について述べる。 特に,ラベリング用データからサンプルを選択する学習獲得関数の研究,アクティブ学習アルゴリズムに関する理論的研究,逐次データ取得のための停止基準について注目する。
  論文  参考訳（メタデータ） (2020-12-08T05:24:06Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。