Fugu-MT 論文翻訳(概要): Efficient Data Fusion using the Tsetlin Machine

論文の概要: Efficient Data Fusion using the Tsetlin Machine

arxiv url: http://arxiv.org/abs/2310.17207v1
Date: Thu, 26 Oct 2023 07:49:25 GMT
ステータス: 処理完了
システム内更新日: 2023-10-27 21:31:44.078788
Title: Efficient Data Fusion using the Tsetlin Machine
Title（参考訳）: tsetlinマシンを用いた効率的なデータ融合
Authors: Rupsa Saha, Vladimir I. Zadorozhny and Ole-Christoffer Granmo
Abstract要約: そこで本研究では,Tsetlin Machineを用いて,ノイズの多い動的データを評価・融合する新しい手法を提案する。提案手法は,TMが動的データのノイズを伴って変化を学習する論理的節による説明の仕方を監視することである。
参考スコア（独自算出の注目度）: 11.60428160853737
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel way of assessing and fusing noisy dynamic data using a Tsetlin Machine. Our approach consists in monitoring how explanations in form of logical clauses that a TM learns changes with possible noise in dynamic data. This way TM can recognize the noise by lowering weights of previously learned clauses, or reflect it in the form of new clauses. We also perform a comprehensive experimental study using notably different datasets that demonstrated high performance of the proposed approach.
Abstract（参考訳）: そこで本稿では,tsetlin マシンを用いた雑音動データを評価・活用する新しい手法を提案する。提案手法は,TMが動的データのノイズを伴って変化を学習する論理的節による説明の仕方を監視する。この方法でtmは、以前に学習した節の重みを下げたり、新しい節の形で反映することでノイズを認識することができる。また,提案手法の高性能性を示す顕著なデータセットを用いて,包括的実験を行った。

関連論文リスト

Effective Noise-aware Data Simulation for Domain-adaptive Speech Enhancement Leveraging Dynamic Stochastic Perturbation [25.410770364140856]
クロスドメイン音声強調(SE)は、目に見えない対象領域におけるノイズや背景情報の不足により、しばしば深刻な課題に直面している。本研究では,ノイズ抽出技術とGANを利用した新しいデータシミュレーション手法を提案する。本研究では,動的摂動の概念を導入し,制御された摂動を推論中の雑音埋め込みに注入する。
論文参考訳（メタデータ） (2024-09-03T02:29:01Z)
Robust Learning under Hybrid Noise [24.36707245704713]
本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
論文参考訳（メタデータ） (2024-07-04T16:13:25Z)
Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。 RAFは密集した室内音響データを提供する最初のデータセットである。
論文参考訳（メタデータ） (2024-03-27T17:59:56Z)
SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文参考訳（メタデータ） (2024-03-21T08:49:34Z)
Noisy Pair Corrector for Dense Retrieval [59.312376423104055]
ノイズペアコレクタ(NPC)と呼ばれる新しい手法を提案する。 NPCは検出モジュールと修正モジュールから構成される。我々は,テキスト検索ベンチマークのNatural QuestionとTriviaQA,コード検索ベンチマークのStaQCとSO-DSで実験を行った。
論文参考訳（メタデータ） (2023-11-07T08:27:14Z)
DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-09-09T04:40:01Z)
An Investigation of Noise in Morphological Inflection [21.411766936034]
本研究は, パイプライン内で発生するノイズの種類を, 真の教師なし形態素パラダイムの完成のために検討する。異なる種類のノイズが複数の最先端インフレクションモデルに与える影響を比較した。本稿では,文字レベルのマスク付き言語モデリング(CMLM)の事前学習手法を提案する。
論文参考訳（メタデータ） (2023-05-26T02:14:34Z)
Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文参考訳（メタデータ） (2022-06-04T08:48:02Z)
Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
論文参考訳（メタデータ） (2021-10-28T20:39:02Z)
NoiseGrad: enhancing explanations by introducing stochasticity to model weights [4.735227614605093]
NoiseGradは、入力データの代わりに重みにノイズを加える手法に依存しない説明強調法である。提案手法を,異なるデータセットを含む様々な実験により検討する。
論文参考訳（メタデータ） (2021-06-18T15:22:33Z)

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。