論文の概要: Uncertainty Guided Ensemble Self-Training for Semi-Supervised Global Field Reconstruction

• arxiv url: http://arxiv.org/abs/2302.11940v1
• Date: Thu, 23 Feb 2023 11:38:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 15:35:12.211639
• Title: Uncertainty Guided Ensemble Self-Training for Semi-Supervised Global Field Reconstruction
• Title（参考訳）: 半監督グローバルフィールド再構築のための不確かさガイド付き自己組織化訓練
• Authors: Yunyang Zhang, Zhiqiang Gong, Xiaoyu Zhao, Wen Yao
• Abstract要約: 本稿では,再構成性能を向上させるために,不確実性誘導アンサンブル自己学習(UGE-ST)を提案する。 実験には、翼の圧力速度場再構成と航空機システムの温度場再構築が含まれる。 我々のUGE-STは、教師あり学習と同じ精度で最大90%のデータを保存できる。
• 参考スコア（独自算出の注目度）: 10.532527198756046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering a globally accurate complex physics field from limited sensor is critical to the measurement and control in the aerospace engineering. General reconstruction methods for recovering the field, especially the deep learning with more parameters and better representational ability, usually require large amounts of labeled data which is unaffordable. To solve the problem, this paper proposes Uncertainty Guided Ensemble Self-Training (UGE-ST), using plentiful unlabeled data to improve reconstruction performance. A novel self-training framework with the ensemble teacher and pretraining student designed to improve the accuracy of the pseudo-label and remedy the impact of noise is first proposed. On the other hand, uncertainty-guided learning is proposed to encourage the model to focus on the highly confident regions of pseudo-labels and mitigate the effects of wrong pseudo-labeling in self-training, improving the performance of the reconstruction model. Experiments include the pressure velocity field reconstruction of airfoil and the temperature field reconstruction of aircraft system indicate that our UGE-ST can save up to 90% of the data with the same accuracy as supervised learning.
• Abstract（参考訳）: 限られたセンサーからグローバルに正確な複雑な物理分野を回復することは、航空宇宙工学の計測と制御に不可欠である。 フィールドを復元するための一般的な再構築手法、特により多くのパラメータとより優れた表現能力を持つディープラーニングは、通常、望ましくない大量のラベル付きデータを必要とする。 そこで本研究では, 未ラベルデータを用いた不確実性誘導アンサンブル自己学習(UGE-ST)を提案する。 疑似ラベルの精度を向上し,騒音の影響を改善すべく,アンサンブル教師とプリトレーニング学生による新しい自己学習枠組みを最初に提案する。 一方,疑似ラベルの高信頼領域に着目し,自己学習における誤った擬似ラベルの効果を緩和し,再構成モデルの性能を向上させるために,不確実性誘導学習が提案されている。 実験では、翼の圧力速度場再構成や航空機システムの温度場再構築などにより、UGE-STが教師あり学習と同じ精度で最大90%のデータを節約できることが示された。

関連論文リスト

• Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization [3.1687473999848836]
  亀裂検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。 伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。 本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T06:12:56Z)
• Failing Forward: Improving Generative Error Correction for ASR with Synthetic Data and Retrieval Augmentation [73.9145653659403]
  生成誤差補正モデルは、トレーニング中に発生する特定の種類のエラーを超えて一般化することが困難であることを示す。 DARAGは、ドメイン内(ID)およびOODシナリオにおけるASRのためのGCCを改善するために設計された新しいアプローチである。 私たちのアプローチはシンプルでスケーラブルで、ドメインと言語に依存しません。
  論文  参考訳（メタデータ） (2024-10-17T04:00:29Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model for Fault Recognition [13.339333273943842]
  本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。 我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。 実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
  論文  参考訳（メタデータ） (2023-10-27T08:38:59Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• AST: Effective Dataset Distillation through Alignment with Smooth and High-Quality Expert Trajectories [18.266786462036553]
  我々は,Smoothと高品質なエキスパートトラジェクトリによるアライメントのための効果的なDDフレームワークASTを提案する。 さまざまなスケール、サイズ、解像度のデータセットに対して、広範な実験を行います。
  論文  参考訳（メタデータ） (2023-10-16T16:13:53Z)
• Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning [23.42059477413009]
  オーバー・ザ・エア・フェデレーション・ラーニング(AirFL)は、デバイスが学習モデルを並列にトレーニングし、オン・ザ・エア計算を使用してローカルモデルを同期することを可能にする。 エアフラックスの完全性は、上空に集約された局所モデルの不明瞭さのために脆弱である。 本稿では,AirFLの精度と整合性のバランスをとるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-17T02:41:42Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)

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。