論文の概要: Regression with Sensor Data Containing Incomplete Observations

• arxiv url: http://arxiv.org/abs/2304.13415v2
• Date: Wed, 31 May 2023 11:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 02:29:15.307171
• Title: Regression with Sensor Data Containing Incomplete Observations
• Title（参考訳）: 不完全な観測を含むセンサデータによる回帰
• Authors: Takayuki Katsuki, Takayuki Osogami
• Abstract要約: 本稿では、出力ラベル値が現象の大きさを検知する結果である回帰問題に対処する。 このようなラベルの低い値は、現象の実際の大きさが低いか、またはセンサーが不完全な観察を行ったことを意味する。 本研究では、常に負の値を持つ非対称雑音で劣化した不完全観測を明示的にモデル化する学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 19.0246056454297
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper addresses a regression problem in which output label values are the results of sensing the magnitude of a phenomenon. A low value of such labels can mean either that the actual magnitude of the phenomenon was low or that the sensor made an incomplete observation. This leads to a bias toward lower values in labels and the resultant learning because labels may have lower values due to incomplete observations, even if the actual magnitude of the phenomenon was high. Moreover, because an incomplete observation does not provide any tags indicating incompleteness, we cannot eliminate or impute them. To address this issue, we propose a learning algorithm that explicitly models incomplete observations corrupted with an asymmetric noise that always has a negative value. We show that our algorithm is unbiased as if it were learned from uncorrupted data that does not involve incomplete observations. We demonstrate the advantages of our algorithm through numerical experiments.
• Abstract（参考訳）: 本稿では,出力ラベル値が現象の大きさを検知する結果である回帰問題に対処する。 このようなラベルの低い値は、現象の実際の大きさが低いか、またはセンサーが不完全な観察を行ったことを意味する。 これは、ラベルの実際の大きさが高かったとしても、不完全な観測によってラベルが低い値を持つ可能性があるため、ラベルの低い値と結果の学習に対するバイアスをもたらす。 さらに、不完全観察では、不完全を示すタグが提供されないため、それらを排除またはインプットすることはできない。 この問題に対処するため,不完全観測を非対称雑音で明確にモデル化し,常に負の値を持つ学習アルゴリズムを提案する。 我々は,不完全観測を伴わない不完全データから学習したかのように,アルゴリズムが偏りがないことを示す。 本アルゴリズムの利点を数値実験により実証する。

関連論文リスト

• Algorithms for Non-Negative Matrix Factorization on Noisy Data With Negative Values [0.0]
  非負行列分解(Non- negative matrix factorization, NMF)は, ノイズデータを解析するための次元還元法である。 本稿では、入力データのノイズと導入された負性の両方を扱えるShift-NMFとNearly-NMFの2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-08T17:50:17Z)
• Are labels informative in semi-supervised learning? -- Estimating and leveraging the missing-data mechanism [4.675583319625962]
  半教師付き学習は、ラベルのないデータを利用して機械学習モデルを改善するための強力な技術である。 これは、あるクラスが他のクラスよりもラベル付けされる可能性が高い場合に発生する、情報的ラベルの存在に影響される可能性がある。 本稿では,データ不足のメカニズムを推定し,逆確率重み付けを用いてSSLアルゴリズムを劣化させることにより,この問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T09:18:46Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Rethinking Negative Sampling for Unlabeled Entity Problem in Named Entity Recognition [47.273602658066196]
  ラベルのないエンティティは、名前付きエンティティ認識モデルのパフォーマンスを著しく劣化させる。 我々は、なぜ負のサンプリングが理論的にも経験的にも成功するのかを分析する。 負サンプリングのための重み付き適応サンプリング分布を提案する。
  論文  参考訳（メタデータ） (2021-08-26T07:02:57Z)
• Sample Selection with Uncertainty of Losses for Learning with Noisy Labels [145.06552420999986]
  ノイズの多いラベルで学習する際、サンプル選択アプローチは非常に人気があり、小さなロスデータをトレーニング中に正しくラベル付けされているとみなす。 しかし、ノイズラベルでトレーニングされたモデルに基づいて、損失をオンザフライで発生させるため、大容量のデータはおそらく正しくないが、確実に誤りではない。 本稿では,損失点推定の代わりに間隔推定を採用することにより,損失の不確実性を取り入れる。
  論文  参考訳（メタデータ） (2021-06-01T12:53:53Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)
• Prediction in the presence of response-dependent missing labels [28.932172873182115]
  センサー技術の限界は ワイルドファイアデータに ラベルの欠落をもたらします 新しい手法と非ラベルアルゴリズムP(ositive) U(ccurrence) M(agnitude) M(ixture)を開発し、陽性サンプルの発生と検出の可能性を共同で推定します。
  論文  参考訳（メタデータ） (2021-03-25T01:43:33Z)
• A Novel Perspective for Positive-Unlabeled Learning via Noisy Labels [49.990938653249415]
  本研究では,初期疑似ラベルを雑音ラベルデータとして用いる非ラベルデータに割り当て,雑音ラベルデータを用いて深層ニューラルネットワークを訓練する手法を提案する。 実験の結果,提案手法は,いくつかのベンチマークデータセットにおいて,最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-03-08T11:46:02Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。