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
- Regressive Side Effects of Training Language Models to Mimic Student Misconceptions [25.90420385230675]
大規模言語モデルは、学生の誤解をより正確に模倣するように訓練されているため、モデルの事実的完全性と推論能力に妥協がある、という問題を強調する。
これらの副作用に対処するため,本研究では,学生の学習中に各学生の反応の先頭に付加された「幻覚トークン」手法を導入し,学生の誤解を模倣することと,事実的に正確な反応を提供することをモデルに指示した。
論文 参考訳(メタデータ) (2024-04-23T15:57:55Z) - 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) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - Reinforcement Learning in Robotic Motion Planning by Combined
Experience-based Planning and Self-Imitation Learning [7.919213739992465]
高品質で代表的なデータは、Imitation Learning(IL)とReinforcement Learning(RL)ベースのモーションプランニングタスクに不可欠である。
本稿では,学習アーキテクチャに経験に基づくプランニングを組み込むSILP+アルゴリズムを提案する。
様々な実験結果から,SILP+は複雑な運動計画タスクにおいて,トレーニング効率が向上し,より安定した成功率が得られることが示された。
論文 参考訳(メタデータ) (2023-06-11T19:47:46Z) - Learning a model is paramount for sample efficiency in reinforcement
learning control of PDEs [5.488334211013093]
RLエージェントの訓練と並行して動作モデルを学ぶことで,実システムからサンプリングしたデータ量を大幅に削減できることを示す。
また、RLトレーニングのバイアスを避けるために、モデルを反復的に更新することが重要であることも示している。
論文 参考訳(メタデータ) (2023-02-14T16:14:39Z) - 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。
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。