論文の概要: Encoding Domain Expertise into Multilevel Models for Source Location
- arxiv url: http://arxiv.org/abs/2305.08657v1
- Date: Mon, 15 May 2023 14:02:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 14:27:04.705909
- Title: Encoding Domain Expertise into Multilevel Models for Source Location
- Title(参考訳): ソースロケーションのためのドメインエキスパートをマルチレベルモデルにエンコードする
- Authors: Lawrence A. Bull, Matthew R. Jones, Elizabeth J. Cross, Andrew Duncan,
and Mark Girolami
- Abstract要約: この研究は、システム群のモデル間の統計的相関と相互依存性をキャプチャする。
最も興味深いことに、基礎となる物理学の専門知識と知識は、システム、サブグループ、あるいは集団レベルでモデルに符号化することができる。
- 参考スコア(独自算出の注目度): 0.5872014229110215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data from populations of systems are prevalent in many industrial
applications. Machines and infrastructure are increasingly instrumented with
sensing systems, emitting streams of telemetry data with complex
interdependencies. In practice, data-centric monitoring procedures tend to
consider these assets (and respective models) as distinct -- operating in
isolation and associated with independent data. In contrast, this work captures
the statistical correlations and interdependencies between models of a group of
systems. Utilising a Bayesian multilevel approach, the value of data can be
extended, since the population can be considered as a whole, rather than
constituent parts. Most interestingly, domain expertise and knowledge of the
underlying physics can be encoded in the model at the system, subgroup, or
population level. We present an example of acoustic emission (time-of-arrival)
mapping for source location, to illustrate how multilevel models naturally lend
themselves to representing aggregate systems in engineering. In particular, we
focus on constraining the combined models with domain knowledge to enhance
transfer learning and enable further insights at the population level.
- Abstract(参考訳): システムの人口からのデータは、多くの産業アプリケーションで広く使われている。
機械とインフラは、複雑な相互依存性を持つテレメトリデータのストリームを出力するセンサーシステムでますます装備されている。
実際には、データ中心の監視手順は、これらの資産(およびそれぞれのモデル)を分離して運用され、独立したデータに関連付けられていると考える傾向がある。
対照的に、この研究はシステム群のモデル間の統計的相関と相互依存性を捉えている。
ベイズ的マルチレベルアプローチを用いることで、人口は構成部品ではなく全体と見なすことができるため、データの値を拡張することができる。
最も興味深いことに、基礎となる物理学の専門知識と知識は、システム、サブグループ、あるいは集団レベルでモデルに符号化することができる。
本稿では, 音源位置の音響放射(時間)マッピングの例を示し, 多レベルモデルがエンジニアリングにおける集約システムに自然にどのように貢献するかを示す。
特に,統合モデルとドメイン知識の制約に着目し,伝達学習を強化し,人口レベルでのさらなる洞察を可能にする。
関連論文リスト
- Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳(メタデータ) (2023-06-21T07:52:07Z) - Beyond Just Vision: A Review on Self-Supervised Representation Learning
on Multimodal and Temporal Data [10.006890915441987]
自己教師型学習の普及は、従来のモデルがトレーニングに大量の十分な注釈付きデータを必要とするという事実によって引き起こされる。
モデルの差別的事前学習を通じて、訓練データの効率を向上させるための自己指導手法が導入された。
我々は,時間的データに対するマルチモーダルな自己教師型学習手法の総合的なレビューを初めて提供することを目的とする。
論文 参考訳(メタデータ) (2022-06-06T04:59:44Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳(メタデータ) (2022-05-30T13:34:46Z) - Hierarchical Bayesian Modelling for Knowledge Transfer Across
Engineering Fleets via Multitask Learning [0.0]
エンジニアリングインフラストラクチャーの予測モデルを構築する際に,データの分散性に対処するために,集団レベルの分析を提案する。
解釈可能な階層的ベイズ的アプローチと運用上の艦隊データを利用することで、ドメインの専門知識は、異なるサブグループ間で自然に符号化される(そして適切に共有される)。
論文 参考訳(メタデータ) (2022-04-26T16:02:25Z) - Learning Sequential Latent Variable Models from Multimodal Time Series
Data [6.107812768939553]
マルチモーダルデータの確率的潜在状態表現を協調的に学習するための自己教師付き生成モデリングフレームワークを提案する。
提案手法が予測品質と表現品質を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2022-04-21T21:59:24Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳(メタデータ) (2021-07-10T03:49:41Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Relating by Contrasting: A Data-efficient Framework for Multimodal
Generative Models [86.9292779620645]
生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。
提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
論文 参考訳(メタデータ) (2020-07-02T15:08:11Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳(メタデータ) (2020-06-01T14:25:38Z) - Interpretable Deep Representation Learning from Temporal Multi-view Data [4.2179426073904995]
変動型オートエンコーダとリカレントニューラルネットワークに基づく生成モデルを提案し,多視点時間データに対する潜時ダイナミクスを推定する。
提案モデルを用いて,モデルの有効性と解釈可能性を示す3つのデータセットを解析する。
論文 参考訳(メタデータ) (2020-05-11T15:59:06Z)
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。