Fugu-MT 論文翻訳(概要): Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study

論文の概要: Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study

arxiv url: http://arxiv.org/abs/2306.07737v1
Date: Tue, 13 Jun 2023 12:43:59 GMT
ステータス: 処理完了
システム内更新日: 2023-06-14 13:52:45.602001
Title: Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study
Title（参考訳）: サイバー物理システムにおけるディープラーニングモデルのロバスト性と一般化性能の比較研究
Authors: Alexander Windmann and Henrik Steude and Oliver Niggemann
Abstract要約: 調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
参考スコア（独自算出の注目度）: 71.84852429039881
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning (DL) models have seen increased attention for time series forecasting, yet the application on cyber-physical systems (CPS) is hindered by the lacking robustness of these methods. Thus, this study evaluates the robustness and generalization performance of DL architectures on multivariate time series data from CPS. Our investigation focuses on the models' ability to handle a range of perturbations, such as sensor faults and noise, and assesses their impact on overall performance. Furthermore, we test the generalization and transfer learning capabilities of these models by exposing them to out-of-distribution (OOD) samples. These include deviations from standard system operations, while the core dynamics of the underlying physical system are preserved. Additionally, we test how well the models respond to several data augmentation techniques, including added noise and time warping. Our experimental framework utilizes a simulated three-tank system, proposed as a novel benchmark for evaluating the robustness and generalization performance of DL algorithms in CPS data contexts. The findings reveal that certain DL model architectures and training techniques exhibit superior effectiveness in handling OOD samples and various perturbations. These insights have significant implications for the development of DL models that deliver reliable and robust performance in real-world CPS applications.
Abstract（参考訳）: 深層学習(DL)モデルは時系列予測に注目が集まっているが、サイバー物理システム(CPS)への応用はこれらの手法の頑健さの欠如によって妨げられている。そこで本研究では,CPSによる多変量時系列データに基づいて,DLアーキテクチャのロバスト性と一般化性能を評価する。本研究は, センサ故障やノイズなど, 様々な摂動に対処するモデルの能力に着目し, 全体的な性能への影響を評価する。さらに,out-of-distribution (ood) サンプルに公開することにより,これらのモデルの一般化と転送学習能力をテストした。これらは標準的なシステム操作からの逸脱を含み、基盤となる物理システムのコアダイナミクスは保存される。さらに,追加ノイズや時間ゆがみなど,モデルがいくつかのデータ拡張技術にどのように反応するかをテストした。 CPSデータコンテキストにおけるDLアルゴリズムのロバスト性および一般化性能を評価するための新しいベンチマークとして提案するシミュレーション3タンクシステムを利用する。その結果,特定のDLモデルアーキテクチャやトレーニング手法は,OODサンプルの処理や様々な摂動に優れた効果を示した。これらの知見は、現実世界のCPSアプリケーションで信頼性と堅牢なパフォーマンスを提供するDLモデルの開発に重大な影響を及ぼす。

関連論文リスト

Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文参考訳（メタデータ） (2024-08-24T18:28:19Z)
Impacts of Data Preprocessing and Hyperparameter Optimization on the Performance of Machine Learning Models Applied to Intrusion Detection Systems [0.8388591755871736]
侵入検知システム(IDS)は継続的に改善されている。その多くは、脅威を特定するために機械学習(ML)技術を採用している。本稿では,この研究ギャップを埋める研究について述べる。
論文参考訳（メタデータ） (2024-07-15T14:30:25Z)
Impact of Architectural Modifications on Deep Learning Adversarial Robustness [16.991522358940774]
本稿では, モデル修正がディープラーニングモデルの堅牢性に及ぼす影響を, 敵攻撃を用いて実験的に評価する。以上の結果から,モデル変更がモデルの頑健性に及ぼす影響を詳細に評価する上でのプレッシャーが示唆された。
論文参考訳（メタデータ） (2024-05-03T08:58:38Z)
Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
論文参考訳（メタデータ） (2024-01-16T14:58:21Z)
A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文参考訳（メタデータ） (2023-11-13T01:48:08Z)
CoDBench: A Critical Evaluation of Data-driven Models for Continuous Dynamical Systems [8.410938527671341]
微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
論文参考訳（メタデータ） (2023-10-02T21:27:54Z)
Reinforcement Learning for Topic Models [3.42658286826597]
本稿では,ProdLDAにおける変分オートエンコーダを連続行動空間強化学習ポリシーに置き換えることにより,トピックモデリングに強化学習手法を適用した。ニューラルネットワークアーキテクチャの近代化、ELBO損失の重み付け、コンテキスト埋め込みの使用、トピックの多様性と一貫性の計算による学習プロセスの監視など、いくつかの変更を導入している。
論文参考訳（メタデータ） (2023-05-08T16:41:08Z)
SimSCOOD: Systematic Analysis of Out-of-Distribution Generalization in Fine-tuned Source Code Models [58.78043959556283]
本研究は,Low-Rank Adaptation (LoRA)ファインチューニング手法を含む,異なる微調整手法によるモデルの挙動について検討する。解析の結果、LoRAファインチューニングは様々なシナリオにおけるフルファインチューニングよりも、OODの一般化性能が大幅に向上していることが判明した。
論文参考訳（メタデータ） (2022-10-10T16:07:24Z)
How robust are pre-trained models to distribution shift? [82.08946007821184]
自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
論文参考訳（メタデータ） (2022-06-17T16:18:28Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)

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。