Fugu-MT 論文翻訳(概要): Studying Accuracy of Machine Learning Models Trained on Lab Lifting Data in Solving Real-World Problems Using Wearable Sensors for Workplace Safety

論文の概要: Studying Accuracy of Machine Learning Models Trained on Lab Lifting Data in Solving Real-World Problems Using Wearable Sensors for Workplace Safety

arxiv url: http://arxiv.org/abs/2309.05831v1
Date: Mon, 11 Sep 2023 21:17:10 GMT
ステータス: 処理完了
システム内更新日: 2023-09-13 15:11:57.689019
Title: Studying Accuracy of Machine Learning Models Trained on Lab Lifting Data in Solving Real-World Problems Using Wearable Sensors for Workplace Safety
Title（参考訳）: 職場安全のためのウェアラブルセンサを用いた実世界の問題解決におけるラボリフトデータに基づく機械学習モデルの精度の検討
Authors: Joseph Bertrand, Nick Griffey, Ming-Lun Lu, Rashmi Jha
Abstract要約: 本稿では,実験室で訓練されたリフト識別モデルを現実世界に移植することについて議論する。トレーニングデータよりもパフォーマンスがはるかに低いため,障害の原因を調査し,モデル性能を向上させるための4つの潜在的解決策を提案した。
参考スコア（独自算出の注目度）: 0.46873264197900916
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Porting ML models trained on lab data to real-world situations has long been a challenge. This paper discusses porting a lab-trained lifting identification model to the real-world. With performance much lower than on training data, we explored causes of the failure and proposed four potential solutions to increase model performance
Abstract（参考訳）: 実験データに基づいてトレーニングされたMLモデルを現実の状況に移植することは、長い間困難だった。本稿では,実験室で訓練されたリフト識別モデルを現実世界に移植することについて議論する。トレーニングデータよりもパフォーマンスがはるかに低いため,失敗の原因を探究し,モデル性能を向上させるための4つの潜在的解決策を提案した。

関連論文リスト

Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
論文参考訳（メタデータ） (2024-10-22T06:43:28Z)
A Comparative Study of Open Source Computer Vision Models for Application on Small Data: The Case of CFRP Tape Laying [0.0]
光センサを用いた航空宇宙製造における炭素繊維強化ポリマー(PCFR)テープの品質管理のユースケースを検討する。トレーニングデータを連続的に低減した異なるオープンソースのコンピュータビジョンモデルの挙動について検討する。以上の結果から,AIモデルをトレーニングするために必要なデータ量は大幅に削減され,より小さなモデルの使用が必ずしもパフォーマンスの低下につながるとは限らないことが示唆された。
論文参考訳（メタデータ） (2024-09-16T09:07:31Z)
Towards Building a Robust Knowledge Intensive Question Answering Model with Large Language Models [4.4849006637642805]
抽出された情報におけるノイズや誤差の存在は、LLMの堅牢性に課題をもたらす。ノイズの多い外部情報によるモデル精度低下の問題に対処するため,データ拡張に基づく微調整手法を提案する。我々は既存のLCMと我々のアプローチの両方で実験を行い、その結果をGPT-4で評価した。
論文参考訳（メタデータ） (2024-09-09T07:32:30Z)
VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation [0.0]
本研究は,3次元幾何エンコーダの事前学習のためのボリュームインフォームド表現学習手法であるVIRLを紹介する。 VIRLによって事前訓練されたモデルでは,データ制限による一般化性の向上が大幅に向上した。
論文参考訳（メタデータ） (2024-06-18T05:30:26Z)
The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文参考訳（メタデータ） (2024-03-23T09:26:15Z)
Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文参考訳（メタデータ） (2023-11-29T05:33:28Z)
Finetuning Offline World Models in the Real World [13.46766121896684]
強化学習(RL)はデータ非効率で、実際のロボットの訓練を困難にしている。オフラインのRLは、オンラインインタラクションなしで既存のデータセットのRLポリシーをトレーニングするためのフレームワークとして提案されている。本研究では,実ロボットで収集したオフラインデータを用いて世界モデルを事前学習し,学習モデルを用いて計画して収集したオンラインデータ上でモデルを微調整する問題を考察する。
論文参考訳（メタデータ） (2023-10-24T17:46:12Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
論文参考訳（メタデータ） (2021-10-25T20:02:57Z)
Low-Resolution Face Recognition In Resource-Constrained Environments [34.13093606945265]
本研究では,非パラメトリック低解像度顔認識モデルを提案する。少数のラベル付きデータサンプルで、トレーニングの複雑さが低く、低解像度の入力イメージでトレーニングすることができる。提案モデルの有効性は,LFWとCMU Multi-PIEデータセットの実験によって実証された。
論文参考訳（メタデータ） (2020-11-23T19:14:02Z)
Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
論文参考訳（メタデータ） (2020-04-29T18:00:22Z)

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。