論文の概要: Better Together: Using Multi-task Learning to Improve Feature Selection within Structural Datasets

• arxiv url: http://arxiv.org/abs/2303.04486v1
• Date: Wed, 8 Mar 2023 10:19:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 14:33:57.841746
• Title: Better Together: Using Multi-task Learning to Improve Feature Selection within Structural Datasets
• Title（参考訳）: better together: マルチタスク学習を使用して、構造データセット内の機能選択を改善する
• Authors: S.C. Bee, E. Papatheou, M Haywood-Alexander, R.S. Mills, L.A. Bull, K. Worden and N. Dervilis
• Abstract要約: 本稿では,マルチタスク学習(MTL)を用いて構造データセットの自動特徴選択を行う。 分類作業は、同じモデルの2機からサンプルを採取するために、尾翼のポートと右翼の側面を区別することである。 MTLの結果は解釈可能であり、実験的なセットアップの違いとは対照的に構造的差異が強調された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There have been recent efforts to move to population-based structural health monitoring (PBSHM) systems. One area of PBSHM which has been recognised for potential development is the use of multi-task learning (MTL); algorithms which differ from traditional independent learning algorithms. Presented here is the use of the MTL, ''Joint Feature Selection with LASSO'', to provide automatic feature selection for a structural dataset. The classification task is to differentiate between the port and starboard side of a tailplane, for samples from two aircraft of the same model. The independent learner produced perfect F1 scores but had poor engineering insight; whereas the MTL results were interpretable, highlighting structural differences as opposed to differences in experimental set-up.
• Abstract（参考訳）: 近年,人口ベース構造健康モニタリング(PBSHM)システムへの移行が試みられている。 PBSHMの潜在的な発展のために認識されている分野の1つは、従来の独立した学習アルゴリズムとは異なるアルゴリズムであるマルチタスク学習(MTL)を使用することである。 ここでは、構造データセットに自動的な特徴選択を提供するために、MTL('Joint Feature Selection with LASSO')が使用されている。 分類タスクは、同じモデルの2機の航空機からサンプルを得るために、尾翼機のポート側と船尾側を区別することである。 独立した学習者は完全なf1スコアを生んだが、工学的な洞察力は乏しく、mtlの結果は解釈可能であり、実験的な設定の違いとは対照的に構造的な違いを強調した。

関連論文リスト

• UniDiff: Advancing Vision-Language Models with Generative and Discriminative Learning [86.91893533388628]
  本稿では、画像テキストコントラスト学習(ITC)、テキスト条件付き画像合成学習(IS)、相互意味整合性モデリング(RSC)を統合した統合マルチモーダルモデルUniDiffを提案する。 UniDiffはマルチモーダル理解と生成タスクの両方において汎用性を示す。
  論文  参考訳（メタデータ） (2023-06-01T15:39:38Z)
• A-SFS: Semi-supervised Feature Selection based on Multi-task Self-supervision [1.3190581566723918]
  機能選択問題に深層学習に基づく自己教師機構を導入する。 バッチベースの特徴選択パターンに従って特徴量を生成するために、バッチアテンション機構が設計されている。 実験の結果,ほとんどのデータセットにおいてA-SFSが最も精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-07-19T04:22:27Z)
• Joint Multi-view Unsupervised Feature Selection and Graph Learning [18.303477722460247]
  本稿では,JMVFG(Command Multi-view unsupervised feature selection and graph learning)アプローチを提案する。 複数視点の特徴選択を分解で定式化し、各対象行列をビュー固有の基底行列に分解する。 様々な実世界のマルチビューデータセットの実験は、マルチビュー特徴選択とグラフ学習タスクの両方において、我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2022-04-18T10:50:03Z)
• MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
  視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。 視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。 我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
  論文  参考訳（メタデータ） (2022-01-25T22:30:54Z)
• Multi-level Second-order Few-shot Learning [111.0648869396828]
  教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。 我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。 我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
  論文  参考訳（メタデータ） (2022-01-15T19:49:00Z)
• Feature Selection for Efficient Local-to-Global Bayesian Network Structure Learning [18.736822756439437]
  本稿では,F2SL(Feature selection-based structure learning)による局所-グローバルBN構造学習手法を提案する。 F2SL法はまずMRMR法を用いてDAG骨格を学習し、その後、骨格の縁を向き付けている。 最先端のローカル-グローバル BN 学習アルゴリズムと比較して、提案アルゴリズムはより効率的で、競合する構造学習の質を提供することを示した。
  論文  参考訳（メタデータ） (2021-12-20T07:44:38Z)
• Event Classification with Multi-step Machine Learning [0.0]
  マルチステップ機械学習(ML)は、既知の中間推論目標を持つ接続されたサブタスクに編成される。 分散アーキテクチャサーチ(DARTS)と単一パスワンショットNAS(SPOS-NAS)をテストし、損失関数の構築を改善し、すべてのMLモデルをスムーズに学習する。 DARTSとSPOS-NASを最適化と選択、多段階機械学習システムとの接続として使用することにより、(1)高パフォーマンスモデルの組み合わせを迅速かつうまく選択でき、(2)グリッドサーチなどのベースラインアルゴリズムと整合性があることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T07:22:05Z)
• Learning Modality-Specific Representations with Self-Supervised Multi-Task Learning for Multimodal Sentiment Analysis [11.368438990334397]
  我々は,独立した一助的指導を受けるための自己指導型学習戦略を開発する。 我々は3つの公開マルチモーダルベースラインデータセットについて広範な実験を行った。 提案手法は,人間の注釈付きアンモダルラベルと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-02-09T14:05:02Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
  視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。 ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。 我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。 我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2020-04-28T12:26:50Z)

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。