論文の概要: Rule-Based Error Detection and Correction to Operationalize Movement Trajectory Classification

• arxiv url: http://arxiv.org/abs/2308.14250v1
• Date: Mon, 28 Aug 2023 01:57:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 15:53:39.397316
• Title: Rule-Based Error Detection and Correction to Operationalize Movement Trajectory Classification
• Title（参考訳）: ルールに基づく動作軌跡分類の誤り検出と補正
• Authors: Bowen Xi, Kevin Scaria, Paulo Shakarian
• Abstract要約: 近年のセキュリティアプリケーションは、トレーニングデータが少ないようなモデルをトレーニングするのに使用されるデータとは異なる環境において、このタスクを迅速に採用する必要がある。 我々は,これらのモデルの誤り訂正と検出を行い,最終的なセキュリティアプリケーションへの展開を支援する,ニューロシンボリックなルールベースのフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.8883169286011462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification of movement trajectories has many applications in transportation. Supervised neural models represent the current state-of-the-art. Recent security applications require this task to be rapidly employed in environments that may differ from the data used to train such models for which there is little training data. We provide a neuro-symbolic rule-based framework to conduct error correction and detection of these models to support eventual deployment in security applications. We provide a suite of experiments on several recent and state-of-the-art models and show an accuracy improvement of 1.7% over the SOTA model in the case where all classes are present in training and when 40% of classes are omitted from training, we obtain a 5.2% improvement (zero-shot) and 23.9% (few-shot) improvement over the SOTA model without resorting to retraining of the base model.
• Abstract（参考訳）: 移動軌道の分類は輸送に多くの応用がある。 スーパービジョンされたニューラルモデルは現在の最先端を表現している。 近年のセキュリティアプリケーションは、トレーニングデータが少ないようなモデルをトレーニングするのに使用されるデータとは異なる環境において、このタスクを迅速に採用する必要がある。 我々は,これらのモデルの誤り訂正と検出を行い,最終的なセキュリティアプリケーションへの展開を支援するニューロシンボリックルールベースのフレームワークを提供する。 我々は、最近のいくつかのモデルと最先端モデルに関する一連の実験を行い、全てのクラスが訓練中に存在する場合のSOTAモデルに対して1.7%の精度向上を示し、40%のクラスがトレーニングから省略された場合、ベースモデルの再訓練に頼らずに、SOTAモデルに対して5.2%の改善(ゼロショット)と23.9%の改善(ファウショット)を得る。

関連論文リスト

• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Perception Reinforcement Using Auxiliary Learning Feature Fusion: A Modified Yolov8 for Head Detection [8.065947209864646]
  ターゲット認識による頭部検出性能を向上させる改良型Yolov8を提案する。 補助タスクとして、LSTMと畳み込みブロックからなる補助学習特徴融合(ALFF)モジュールを用いる。 さらに, 配電損失にノイズを導入し, モデルフィッティングを容易にし, 検出精度を向上させる。
  論文  参考訳（メタデータ） (2023-10-14T04:52:35Z)
• AirIMU: Learning Uncertainty Propagation for Inertial Odometry [29.093168179953185]
  ストラップダウン慣性測定装置(IMU)を用いた慣性計測(IO)は多くのロボット応用において重要である。 データ駆動手法により不確実性、特に非決定論的誤差を推定するハイブリッド手法であるAirIMUを提案する。 ハンドヘルドデバイス,車両,および262kmの軌道をカバーするヘリコプターなど,さまざまなプラットフォーム上での有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-07T17:08:22Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Guaranteed Trajectory Tracking under Learned Dynamics with Contraction Metrics and Disturbance Estimation [5.147919654191323]
  本稿では,制約指標と外乱推定に基づく軌道中心学習制御へのアプローチを提案する。 提案するフレームワークは、平面四重項の例で検証される。
  論文  参考訳（メタデータ） (2021-12-15T15:57:33Z)
• Learn to Predict Vertical Track Irregularity with Extremely Imbalanced Data [6.448383767373112]
  中国における複数の鉄道が生み出した実世界の大規模データセットに基づいて,垂直軌道の不規則性を予測するためのアプリケーション・フレームワークについて紹介する。 また,適応型データサンプリングとペナル化損失を用いた時系列予測タスクにおいて,不均衡なデータを扱う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-05T15:49:39Z)
• Understanding and Mitigating the Tradeoff Between Robustness and Accuracy [88.51943635427709]
  逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。 拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
  論文  参考訳（メタデータ） (2020-02-25T08:03:01Z)

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。