論文の概要: Feature Selection and Hyperparameter Fine-tuning in Artificial Neural
Networks for Wood Quality Classification
- arxiv url: http://arxiv.org/abs/2310.13490v1
- Date: Fri, 20 Oct 2023 13:32:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 22:43:51.973105
- Title: Feature Selection and Hyperparameter Fine-tuning in Artificial Neural
Networks for Wood Quality Classification
- Title（参考訳）: 木材品質分類のためのニューラルネットワークの特徴選択とハイパーパラメータ微調整
- Authors: Mateus Roder, Leandro Aparecido Passos, Jo\~ao Paulo Papa, Andr\'e
Luis Debiaso Rossi
- Abstract要約: 製材業における木板の品質分類は重要な課題である。
機械学習アルゴリズムは問題の調査に成功しており、他のソリューションよりも安価な代替手段を提供する。
本稿では,ANN(Artificial Neural Network)のハイパーパラメータを同時に調整することの問題点と,木質基板の品質をよりよく記述する特徴のサブセットを選択することについて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quality classification of wood boards is an essential task in the sawmill
industry, which is still usually performed by human operators in small to
median companies in developing countries. Machine learning algorithms have been
successfully employed to investigate the problem, offering a more affordable
alternative compared to other solutions. However, such approaches usually
present some drawbacks regarding the proper selection of their hyperparameters.
Moreover, the models are susceptible to the features extracted from wood board
images, which influence the induction of the model and, consequently, its
generalization power. Therefore, in this paper, we investigate the problem of
simultaneously tuning the hyperparameters of an artificial neural network (ANN)
as well as selecting a subset of characteristics that better describes the wood
board quality. Experiments were conducted over a private dataset composed of
images obtained from a sawmill industry and described using different feature
descriptors. The predictive performance of the model was compared against five
baseline methods as well as a random search, performing either ANN
hyperparameter tuning and feature selection. Experimental results suggest that
hyperparameters should be adjusted according to the feature set, or the
features should be selected considering the hyperparameter values. In summary,
the best predictive performance, i.e., a balanced accuracy of $0.80$, was
achieved in two distinct scenarios: (i) performing only feature selection, and
(ii) performing both tasks concomitantly. Thus, we suggest that at least one of
the two approaches should be considered in the context of industrial
applications.
- Abstract（参考訳）: 木材板の品質分類は製材業において必須の課題であり、発展途上国の小規模から中央値の企業で人間のオペレーターが行うのが一般的である。
機械学習アルゴリズムは問題の調査に成功しており、他のソリューションよりも安価な代替手段を提供する。
しかしながら、そのようなアプローチは通常、そのハイパーパラメータの適切な選択に関していくつかの欠点を示す。
さらに,木板画像から抽出した特徴の影響を受けやすいため,モデルの誘導に影響を及ぼし,その結果,一般化能力が向上する。
そこで本稿では,ANN(Artificial Neural Network)のハイパーパラメータを同時に調整することの問題点と,木板の品質をよりよく記述する特徴のサブセットを選択することについて検討する。
製材所から得られた画像からなるプライベートデータセット上で実験を行い、異なる特徴記述子を用いて記述した。
このモデルの予測性能を5つのベースライン法とランダム探索法で比較し,nハイパーパラメータチューニングと特徴選択を行った。
実験結果から,ハイパーパラメータは特徴セットに応じて調整すべきか,ハイパーパラメータ値を考慮して選択すべきかが示唆された。
要約すると、最高の予測性能、すなわち0.80$のバランスの取れた精度は、2つの異なるシナリオで達成された。
(i)特徴選択のみを行う、及び
(ii)両タスクを同時実行すること。
したがって,2つのアプローチの少なくとも1つは,産業応用の文脈で検討されるべきである。
関連論文リスト
- Deep Neural Network Benchmarks for Selective Classification [27.098996474946446]
複数の選択的な分類フレームワークが存在し、その多くはディープニューラルネットワークアーキテクチャに依存している。
提案手法は,選択誤差率,経験的カバレッジ,拒否されたインスタンスのクラス分布,アウト・オブ・ディストリビューション・インスタンスの性能など,いくつかの基準を用いて評価する。
論文 参考訳（メタデータ） (2024-01-23T12:15:47Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - Feature Selection for Classification with QAOA [11.516147824168732]
特徴選択は機械学習において非常に重要であり、分類、ランク付け、予測問題の次元化に使用できる。
我々は特に、すでに最適化に使われている近似量子最適化(QAOA)に対処できる二次的特徴選択問題を考える。
実験では,次元が21まで異なる7つの実世界のデータセットについて検討し,量子シミュレータと小型データセットの両方でQAOAを実行する。
論文 参考訳（メタデータ） (2022-11-05T09:28:53Z) - Holistic Transformer: A Joint Neural Network for Trajectory Prediction
and Decision-Making of Autonomous Vehicles [15.024503096898634]
軌道予測と行動決定は自動運転車にとって重要な課題である。
複数の手がかりを組み合わせた結合ニューラルネットワークが提案され,軌道の予測と行動決定を同時に行う。
論文 参考訳（メタデータ） (2022-06-17T14:38:11Z) - Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。
このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。
A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
論文 参考訳（メタデータ） (2021-10-26T17:39:18Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z) - How much progress have we made in neural network training? A New
Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。
評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。
次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
論文 参考訳（メタデータ） (2020-10-19T21:46:39Z) - Better Model Selection with a new Definition of Feature Importance [8.914907178577476]
特徴の重要性は、各入力特徴がモデル予測にとってどれほど重要かを測定することを目的としている。
本稿では,モデル選択のための新しいツリーモデル説明手法を提案する。
論文 参考訳（メタデータ） (2020-09-16T14:32:22Z) - Differentiable Neural Input Search for Recommender Systems [26.88124270897381]
Differentiable Neural Input Search (DNIS) は、より柔軟な空間における混合特徴埋め込み次元を探索する手法である。
DNISはモデルに依存しないため、既存の潜在因子モデルとシームレスに統合して推奨することができる。
論文 参考訳（メタデータ） (2020-06-08T10:43:59Z)
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。