論文の概要: Multi-unit soft sensing permits few-shot learning
- arxiv url: http://arxiv.org/abs/2309.15828v1
- Date: Wed, 27 Sep 2023 17:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 12:22:04.711616
- Title: Multi-unit soft sensing permits few-shot learning
- Title(参考訳): マルチユニットソフトセンシングで数発の学習が可能に
- Authors: Bjarne Grimstad, Kristian L{\o}vland, Lars S. Imsland
- Abstract要約: 本稿では,ユニット数の増加に伴ってソフトセンサがいかに一般化するかを考察する。
大規模な産業データセットを用いて、ソフトセンサーが十分な数のタスクから学習されると、新しいユニットからのデータに対するわずかなショットの学習が可能になることを実証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent literature has explored various ways to improve soft sensors using
learning algorithms with transferability. Broadly put, the performance of a
soft sensor may be strengthened when it is learned by solving multiple tasks.
The usefulness of transferability depends on how strongly related the devised
learning tasks are. A particularly relevant case for transferability, is when a
soft sensor is to be developed for a process of which there are many
realizations, e.g. system or device with many implementations from which data
is available. Then, each realization presents a soft sensor learning task, and
it is reasonable to expect that the different tasks are strongly related.
Applying transferability in this setting leads to what we call multi-unit soft
sensing, where a soft sensor models a process by learning from data from all of
its realizations.
This paper explores the learning abilities of a multi-unit soft sensor, which
is formulated as a hierarchical model and implemented using a deep neural
network. In particular, we investigate how well the soft sensor generalizes as
the number of units increase. Using a large industrial dataset, we demonstrate
that, when the soft sensor is learned from a sufficient number of tasks, it
permits few-shot learning on data from new units. Surprisingly, regarding the
difficulty of the task, few-shot learning on 1-3 data points often leads to a
high performance on new units.
- Abstract(参考訳): 近年、トランスファービリティのある学習アルゴリズムを用いてソフトセンサを改善する様々な方法が研究されている。
広義に言えば、ソフトセンサの性能は、複数のタスクを解いて学習すると強化される。
伝達可能性の有用性は, 学習課題がいかに強く関連しているかによって異なる。
転送可能性の特に適切なケースは、多くの実現があるプロセスのためにソフトセンサーを開発する場合、例えば、データが利用可能な多くの実装を持つシステムやデバイスなどである。
すると、各実現はソフトセンサー学習タスクを示し、異なるタスクが強く関連していると期待することは妥当である。
この設定で転送可能性を適用することで、私たちがマルチユニットソフトセンシングと呼ぶものとなり、ソフトセンサーはその実現したすべてのデータから学習することでプロセスをモデル化する。
本稿では,階層モデルとして定式化し,ディープニューラルネットワークを用いて実装したマルチユニットソフトセンサの学習能力について検討する。
特に,ユニット数の増加に伴ってソフトセンサがいかに一般化するかを検討する。
大規模な産業データセットを用いて、ソフトセンサーが十分な数のタスクから学習されると、新しいユニットからのデータに対するわずかなショット学習が可能になることを実証した。
驚くべきことに、タスクの難しさに関して、1-3データポイントでの数ショットの学習は、しばしば新しいユニットで高いパフォーマンスをもたらす。
関連論文リスト
- FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based
Human Activity Recognition [0.0]
本稿では,センサを用いた人間行動認識とデバイス位置識別の両課題に対して,フェデレート・トランスファー・ラーニングをマルチタスク方式で検討する。
OpenHARフレームワークは10個の小さなデータセットを含むモデルをトレーニングするために使用される。
タスク固有でパーソナライズされたフェデレーションモデルを用いたトランスファーラーニングとトレーニングにより、各クライアントを個別に訓練し、完全集中型アプローチよりも高い精度で学習した。
論文 参考訳(メタデータ) (2023-11-13T21:31:07Z) - How are Prompts Different in Terms of Sensitivity? [56.951525287167065]
本稿では,関数の感度に基づく包括的即時解析を提案する。
出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。
本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
論文 参考訳(メタデータ) (2023-11-13T10:52:01Z) - Machine Learning Based Compensation for Inconsistencies in Knitted Force
Sensors [1.0742675209112622]
編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。
本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。
合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
論文 参考訳(メタデータ) (2023-06-21T09:19:33Z) - Low-cost Efficient Wireless Intelligent Sensor (LEWIS) for Engineering,
Research, and Education [72.2614468437919]
センサによって決定を下すスマートシティのビジョンは、これまで実現されていない。
土木技術者はセンサー技術に関する知識を欠いている。
センサーに関連する電気部品とコンピュータの知識は、土木技術者にとって依然として課題である。
論文 参考訳(メタデータ) (2023-03-23T21:49:26Z) - Online Active Learning for Soft Sensor Development using Semi-Supervised
Autoencoders [0.7734726150561089]
データ駆動型ソフトセンサーは、産業や化学プロセスにおいて、ハード・トゥ・計測プロセスの変数を予測するために広く使われている。
アクティブな学習方法は、クエリに最も有意義なラベルを提案することができるため、非常に有益である。
本研究では,これらのアプローチのいくつかをストリームベースのシナリオに適用し,最も情報に富むデータポイントの選択にどのように使用できるかを示す。
論文 参考訳(メタデータ) (2022-12-26T09:45:41Z) - More to Less (M2L): Enhanced Health Recognition in the Wild with Reduced
Modality of Wearable Sensors [18.947172818861773]
複数のセンサーを融合することは、多くのアプリケーションで一般的なシナリオであるが、現実のシナリオでは必ずしも実現不可能であるとは限らない。
そこで本研究では,センサの小型化によるテスト性能向上のために,M2Lの少ない学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-16T18:23:29Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳(メタデータ) (2022-02-15T17:38:30Z) - DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep
Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。
DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
論文 参考訳(メタデータ) (2021-09-21T10:38:26Z) - Sense and Learn: Self-Supervision for Omnipresent Sensors [9.442811508809994]
我々は、生の知覚データから表現や特徴学習のためのSense and Learnというフレームワークを提案する。
これは、面倒なラベル付けプロセスに人間が関与することなく、注釈のないデータから、高レベルで広範囲に有用な特徴を学習できる補助的なタスクで構成されている。
提案手法は、教師付きアプローチと競合する結果を達成し、ネットワークを微調整し、ほとんどの場合、下流タスクを学習することでギャップを埋める。
論文 参考訳(メタデータ) (2020-09-28T11:57:43Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳(メタデータ) (2020-09-01T03:38:31Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳(メタデータ) (2020-03-23T10:51:32Z)
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。