論文の概要: Comparing AutoML and Deep Learning Methods for Condition Monitoring
using Realistic Validation Scenarios
- arxiv url: http://arxiv.org/abs/2308.14632v1
- Date: Mon, 28 Aug 2023 14:57:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 13:25:45.010501
- Title: Comparing AutoML and Deep Learning Methods for Condition Monitoring
using Realistic Validation Scenarios
- Title（参考訳）: 実効検証シナリオを用いた条件モニタリングのためのオートMLとディープラーニング手法の比較
- Authors: Payman Goodarzi, Andreas Sch\"utze, Tizian Schneider
- Abstract要約: 本研究では、AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを広範囲に比較する。
実験では、ランダムなK倍のクロスバリデーションシナリオにおいて、全ての試験モデルに対して一貫した高い精度を示す。
実際のシナリオにおけるドメインシフトの存在を示す明確な勝者は現れない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study extensively compares conventional machine learning methods and
deep learning for condition monitoring tasks using an AutoML toolbox. The
experiments reveal consistent high accuracy in random K-fold cross-validation
scenarios across all tested models. However, when employing leave-one-group-out
(LOGO) cross-validation on the same datasets, no clear winner emerges,
indicating the presence of domain shift in real-world scenarios. Additionally,
the study assesses the scalability and interpretability of conventional methods
and neural networks. Conventional methods offer explainability with their
modular structure aiding feature identification. In contrast, neural networks
require specialized interpretation techniques like occlusion maps to visualize
important regions in the input data. Finally, the paper highlights the
significance of feature selection, particularly in condition monitoring tasks
with limited class variations. Low-complexity models prove sufficient for such
tasks, as only a few features from the input signal are typically needed. In
summary, these findings offer crucial insights into the strengths and
limitations of various approaches, providing valuable benchmarks and
identifying the most suitable methods for condition monitoring applications,
thereby enhancing their applicability in real-world scenarios.
- Abstract（参考訳）: 本研究では,AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを比較した。
実験では, ランダムなK-フォールドクロスバリデーションシナリオにおいて, 全試験モデルに対して一貫した高い精度を示す。
しかし、同じデータセットでLOGO(Leave-one-group-out)クロスバリデーションを採用すると、明確な勝者は現れず、実際のシナリオにおけるドメインシフトの存在を示す。
さらに,従来の手法とニューラルネットワークのスケーラビリティと解釈可能性についても検討した。
従来の手法では、特徴識別を支援するモジュール構造で説明可能である。
対照的に、ニューラルネットワークは、入力データの重要な領域を視覚化するために、オクルージョンマップのような特殊な解釈技術を必要とする。
最後に,クラスの違いが限定された条件モニタリングタスクにおいて,特徴選択の重要性を強調した。
低複雑さモデルは、入力信号からのいくつかの特徴しか必要としないため、そのようなタスクに十分である。
まとめると、これらの発見は様々なアプローチの強みと限界に対する重要な洞察を提供し、価値のあるベンチマークを提供し、条件監視アプリケーションに適した方法を特定し、現実のシナリオに適用性を高める。
関連論文リスト
- Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳（メタデータ） (2023-06-26T06:45:16Z) - Learning Common Rationale to Improve Self-Supervised Representation for
Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。
SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文 参考訳（メタデータ） (2023-03-03T02:07:40Z) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳（メタデータ） (2022-10-13T06:54:13Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳（メタデータ） (2022-02-11T10:33:53Z) - Learning a Domain-Agnostic Visual Representation for Autonomous Driving
via Contrastive Loss [25.798361683744684]
ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。
提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
論文 参考訳（メタデータ） (2021-03-10T07:06:03Z) - Self-supervised driven consistency training for annotation efficient
histopathology image analysis [13.005873872821066]
大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。
本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。
また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
論文 参考訳（メタデータ） (2021-02-07T19:46:21Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2020-04-20T02:47:49Z)
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。