論文の概要: Advancing underwater acoustic target recognition via adaptive data pruning and smoothness-inducing regularization

• arxiv url: http://arxiv.org/abs/2304.11907v1
• Date: Mon, 24 Apr 2023 08:30:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 15:39:09.856453
• Title: Advancing underwater acoustic target recognition via adaptive data pruning and smoothness-inducing regularization
• Title（参考訳）: 適応データプルーニングと滑らか性誘導正規化による水中音響目標認識の促進
• Authors: Yuan Xie, Tianyu Chen and Ji Xu
• Abstract要約: 本稿では,クロスエントロピーに基づくトレーニングデータにおいて,過度に類似したセグメントを創り出す戦略を提案する。 我々はノイズの多いサンプルを生成し、KLの発散に基づくスムーズネス誘導正則化を適用し、オーバーフィッティングを緩和する。
• 参考スコア（独自算出の注目度）: 27.039672355700198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater acoustic recognition for ship-radiated signals has high practical application value due to the ability to recognize non-line-of-sight targets. However, due to the difficulty of data acquisition, the collected signals are scarce in quantity and mainly composed of mechanical periodic noise. According to the experiments, we observe that the repeatability of periodic signals leads to a double-descent phenomenon, which indicates a significant local bias toward repeated samples. To address this issue, we propose a strategy based on cross-entropy to prune excessively similar segments in training data. Furthermore, to compensate for the reduction of training data, we generate noisy samples and apply smoothness-inducing regularization based on KL divergence to mitigate overfitting. Experiments show that our proposed data pruning and regularization strategy can bring stable benefits and our framework significantly outperforms the state-of-the-art in low-resource scenarios.
• Abstract（参考訳）: 船舶放射線信号に対する水中音響認識は、非視線目標を認識できるため、実用的価値が高い。 しかし、データ取得が困難であるため、収集された信号量は少なく、主に機械的周期ノイズで構成されている。 実験によると、周期的信号の反復性は二重日光現象につながり、反復的なサンプルに対する局所的な偏りが顕著である。 この問題に対処するために,訓練データに過剰に類似したセグメントをプルーンするクロスエントロピーに基づく戦略を提案する。 さらに、トレーニングデータの削減を補うために、ノイズの多いサンプルを生成し、KL分散に基づくスムーズネス誘導正規化を適用し、オーバーフィッティングを緩和する。 実験により、提案したデータプルーニングと正規化戦略が安定した利益をもたらし、低リソースシナリオにおける最先端のフレームワークを著しく上回ります。

関連論文リスト

• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Consistent Signal Reconstruction from Streaming Multivariate Time Series [5.448070998907116]
  我々は,ストリーミング時系列データから一貫した信号再構成の概念を初めて定式化する。 提案手法は, 類似しているが非一貫性の再構成と比較して, サンプリングレートで良好な誤差速度の減衰を実現する。
  論文  参考訳（メタデータ） (2023-08-23T22:50:52Z)
• Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling [7.755439545030289]
  U-Netのようなディープラーニングモデルは、トレーニングとテストの欠落パターンが一致しない場合、しばしばパフォーマンスが低下する。 マルチモーダル拡散モデルに基づく新しいフレームワークを提案する。 推論フェーズでは,サンプリングステップの数を減らし,暗黙的拡散モデルを導入する。 露呈された痕跡と欠落した痕跡との一貫性と連続性を高めるために,我々は2つの戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-09T16:37:47Z)
• Underwater Acoustic Target Recognition based on Smoothness-inducing Regularization and Spectrogram-based Data Augmentation [21.327653766608805]
  不十分なデータは、複雑なモデリングをサポートする認識システムの能力を阻害する可能性がある。 限られたデータの場合,モデルの一般化能力を高めるための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-12T08:26:47Z)
• Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
  我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
  論文  参考訳（メタデータ） (2023-04-14T10:09:50Z)
• Per-Example Gradient Regularization Improves Learning Signals from Noisy Data [25.646054298195434]
  実験的な証拠は、勾配正則化技術は、ノイズの多い摂動に対するディープラーニングモデルの堅牢性を著しく向上させることができることを示唆している。 本稿では,騒音摂動に対する試験誤差とロバスト性の両方を改善することの有効性を理論的に示す。 解析の結果,PEGRはパターン学習の分散をペナルティ化し,学習データからの雑音の記憶を効果的に抑制することがわかった。
  論文  参考訳（メタデータ） (2023-03-31T10:08:23Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Weak-signal extraction enabled by deep-neural-network denoising of diffraction data [26.36525764239897]
  深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。 ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-09-19T14:43:01Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)

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。