Fugu-MT 論文翻訳(概要): Neural Stochastic Differential Equations for Robust and Explainable Analysis of Electromagnetic Unintended Radiated Emissions

論文の概要: Neural Stochastic Differential Equations for Robust and Explainable Analysis of Electromagnetic Unintended Radiated Emissions

arxiv url: http://arxiv.org/abs/2309.15386v1
Date: Wed, 27 Sep 2023 03:37:16 GMT
ステータス: 処理完了
システム内更新日: 2023-09-28 17:00:25.256787
Title: Neural Stochastic Differential Equations for Robust and Explainable Analysis of Electromagnetic Unintended Radiated Emissions
Title（参考訳）: 電磁誘導放射のロバストかつ説明可能な解析のための神経確率微分方程式
Authors: Sumit Kumar Jha, Susmit Jha, Rickard Ewetz, Alvaro Velasquez
Abstract要約: 本稿では,意図しない排出(Unintendeded emission, URE)分類におけるResNetのようなモデルの堅牢性と説明可能性について,包括的に評価する。本稿では,URE分類モデル構築のためのニューラルSDEの新たな応用法を提案する。
参考スコア（独自算出の注目度）: 25.174139739860657
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a comprehensive evaluation of the robustness and explainability of ResNet-like models in the context of Unintended Radiated Emission (URE) classification and suggest a new approach leveraging Neural Stochastic Differential Equations (SDEs) to address identified limitations. We provide an empirical demonstration of the fragility of ResNet-like models to Gaussian noise perturbations, where the model performance deteriorates sharply and its F1-score drops to near insignificance at 0.008 with a Gaussian noise of only 0.5 standard deviation. We also highlight a concerning discrepancy where the explanations provided by ResNet-like models do not reflect the inherent periodicity in the input data, a crucial attribute in URE detection from stable devices. In response to these findings, we propose a novel application of Neural SDEs to build models for URE classification that are not only robust to noise but also provide more meaningful and intuitive explanations. Neural SDE models maintain a high F1-score of 0.93 even when exposed to Gaussian noise with a standard deviation of 0.5, demonstrating superior resilience to ResNet models. Neural SDE models successfully recover the time-invariant or periodic horizontal bands from the input data, a feature that was conspicuously missing in the explanations generated by ResNet-like models. This advancement presents a small but significant step in the development of robust and interpretable models for real-world URE applications where data is inherently noisy and assurance arguments demand interpretable machine learning predictions.
Abstract（参考訳）: 本稿では,未意図放射放射(ure)分類の文脈におけるresnetライクモデルのロバスト性と説明可能性に関する包括的評価を行い,神経確率微分方程式(neural stochastic differential equation,sdes)を用いた新たなアプローチを提案する。本稿では,gaussian noise perturbationに対するresnetライクモデルの適用性に関する実証実験を行い,モデル性能が著しく低下し,そのf1-scoreが0.008でほぼ無意味に低下し,gaussian noiseは0.5の標準偏差しか持たないことを示した。また、resnetライクなモデルで提供される説明が入力データの固有周期性を反映しない、安定したデバイスからのure検出において重要な属性である不一致についても強調する。これらの知見に応えて,URE分類のためのモデル構築のためのニューラルSDEの新たな応用を提案し,ノイズに対して頑健なだけでなく,より有意義で直感な説明を提供する。ニューラルSDEモデルは、標準偏差0.5のガウス雑音にさらされても高いF1スコアが0.93であり、ResNetモデルに優れたレジリエンスを示す。ニューラルSDEモデルは、ResNetのようなモデルによって生成された説明に顕著に欠けている特徴である入力データから、時間不変または周期的水平帯域を回復することに成功した。この進歩は、データが本質的にノイズが多く、保証引数が解釈可能な機械学習予測を要求する現実世界のUREアプリケーションのための堅牢で解釈可能なモデルの開発において、小さなが重要なステップを示す。

関連論文リスト

Non-adversarial training of Neural SDEs with signature kernel scores [4.721845865189578]
不規則な時系列生成のための最先端性能は、これらのモデルをGANとして逆向きに訓練することで既に得られている。本稿では,シグネチャカーネルに基づくパス空間のスコアリングルールを新たに導入する。
論文参考訳（メタデータ） (2023-05-25T17:31:18Z)
Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文参考訳（メタデータ） (2023-01-27T12:38:09Z)
Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
論文参考訳（メタデータ） (2022-10-12T20:06:55Z)
Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
論文参考訳（メタデータ） (2022-04-08T19:19:42Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Score Matching Model for Unbounded Data Score [23.708122045184695]
実際のデータセットでは、摂動ノイズ(sigma$)が0に減少するにつれてスコア関数は分岐する。スコア問題を解消するunbounded noise Score Network (UNCSN)を導入する。また、新しいタイプのSDEを導入し、新たに提案したSDEから正確なログ確率を計算する。
論文参考訳（メタデータ） (2021-06-10T06:30:16Z)
Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。彼らは不利な姿勢と収束の不安定さに悩まされる。本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
論文参考訳（メタデータ） (2021-06-06T18:05:02Z)
Noisy Recurrent Neural Networks [45.94390701863504]
入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
論文参考訳（メタデータ） (2021-02-09T15:20:50Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)
Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文参考訳（メタデータ） (2020-11-26T19:39:10Z)
Sparsely constrained neural networks for model discovery of PDEs [0.0]
本稿では,任意のスパース回帰手法を用いて,ディープラーニングに基づくサロゲートのスパースパターンを決定するモジュラーフレームワークを提案する。異なるネットワークアーキテクチャと疎度推定器がモデル発見精度と収束性を,いくつかのベンチマーク例でどのように改善するかを示す。
論文参考訳（メタデータ） (2020-11-09T11:02:40Z)

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。