論文の概要: Quantifying the value of information transfer in population-based SHM
- arxiv url: http://arxiv.org/abs/2311.03083v1
- Date: Mon, 6 Nov 2023 13:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 14:25:40.445322
- Title: Quantifying the value of information transfer in population-based SHM
- Title(参考訳): 人口ベースSHMにおける情報伝達値の定量化
- Authors: Aidan J. Hughes, Jack Poole, Nikolaos Dervilis, Paul Gardner, Keith
Worden
- Abstract要約: 人口ベース構造健康モニタリング(PBSHM)は、データ不足に関連するいくつかの制限に対処しようと試みている。
本論文は, シミュレーションされた構造物群を対象とした分類課題の移動戦略決定過程を実証することを目的とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Population-based structural health monitoring (PBSHM), seeks to address some
of the limitations associated with data scarcity that arise in traditional SHM.
A tenet of the population-based approach to SHM is that information can be
shared between sufficiently-similar structures in order to improve predictive
models. Transfer learning techniques, such as domain adaptation, have been
shown to be a highly-useful technology for sharing information between
structures when developing statistical classifiers for PBSHM. Nonetheless,
transfer-learning techniques are not without their pitfalls. In some
circumstances, for example if the data distributions associated with the
structures within a population are dissimilar, applying transfer-learning
methods can be detrimental to classification performance -- this phenomenon is
known as negative transfer. Given the potentially-severe consequences of
negative transfer, it is prudent for engineers to ask the question `when, what,
and how should one transfer between structures?'.
The current paper aims to demonstrate a transfer-strategy decision process
for a classification task for a population of simulated structures in the
context of a representative SHM maintenance problem, supported by domain
adaptation. The transfer decision framework is based upon the concept of
expected value of information transfer. In order to compute the expected value
of information transfer, predictions must be made regarding the classification
(and decision performance) in the target domain following information transfer.
In order to forecast the outcome of transfers, a probabilistic regression is
used here to predict classification performance from a proxy for structural
similarity based on the modal assurance criterion.
- Abstract(参考訳): 人口ベース構造健康モニタリング(PBSHM)は、従来のSHMで発生するデータ不足に関連するいくつかの制限に対処することを目指している。
SHMに対する人口ベースアプローチの要点は、情報を十分に類似した構造間で共有し、予測モデルを改善することである。
PBSHMの統計分類器を開発する際, ドメイン適応などの伝達学習技術は, 構造間の情報共有に有用な技術であることが示されている。
それでも、移行学習技術には落とし穴がない。
いくつかの状況では、例えば、集団内の構造に関連するデータ分布が異なっていれば、転送学習手法を適用することは、分類性能に悪影響を及ぼす可能性がある。
負の転送による潜在的に短命な結果を考えると、エンジニアは‘いつ、何、どのように1つの構造を転送すべきか’という質問をするのは慎重である。
本研究の目的は, ドメイン適応によって支援される代表的scm維持問題において, シミュレーション構造群分類タスクの伝達戦略決定過程を実証することである。
転送決定の枠組みは、情報転送の期待値の概念に基づいている。
情報伝達の期待値を計算するためには、情報伝達後の対象領域の分類(および決定性能)に関する予測を行う必要がある。
転送結果を予測するために,モーダル保証基準に基づく構造的類似性のプロキシから分類性能を予測するために,確率的回帰を用いた。
関連論文リスト
- Quantifying the value of positive transfer: An experimental case study [0.0]
人口ベースの構造的健康モニタリングは、トランスファーラーニングのような技術を通じて、類似した構造からのデータ/情報を活用することで、課題を克服しようとしている。
本報告では,情報伝達の価値を運用と保守の意思決定の文脈で定量化する手法について述べる。
論文 参考訳(メタデータ) (2024-07-19T14:23:20Z) - Robust Transfer Learning with Unreliable Source Data [13.276850367115333]
対象関数とソース回帰関数との差を測定する「あいまい度レベル」と呼ばれる新しい量を導入する。
本稿では, 簡単な伝達学習手法を提案し, この新しい量が学習の伝達可能性にどのように関係しているかを示す一般的な定理を確立する。
論文 参考訳(メタデータ) (2023-10-06T21:50:21Z) - A decision framework for selecting information-transfer strategies in
population-based SHM [0.0]
人口ベースの構造的健康モニタリングは、データ不足の影響を軽減することを目指している。
本稿では,新しい概念に基づく転送戦略を選択するための決定枠組みを提案する。
論文 参考訳(メタデータ) (2023-07-13T14:36:16Z) - Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects
Estimation [103.55894890759376]
本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。
本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
論文 参考訳(メタデータ) (2022-10-08T16:41:02Z) - Hierarchical Bayesian Modelling for Knowledge Transfer Across
Engineering Fleets via Multitask Learning [0.0]
エンジニアリングインフラストラクチャーの予測モデルを構築する際に,データの分散性に対処するために,集団レベルの分析を提案する。
解釈可能な階層的ベイズ的アプローチと運用上の艦隊データを利用することで、ドメインの専門知識は、異なるサブグループ間で自然に符号化される(そして適切に共有される)。
論文 参考訳(メタデータ) (2022-04-26T16:02:25Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。
本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。
本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
論文 参考訳(メタデータ) (2021-12-06T14:52:53Z) - A Variational Bayesian Approach to Learning Latent Variables for
Acoustic Knowledge Transfer [55.20627066525205]
本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。
我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
論文 参考訳(メタデータ) (2021-10-16T15:54:01Z) - Frustratingly Easy Transferability Estimation [64.42879325144439]
本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。
TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。
10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
論文 参考訳(メタデータ) (2021-06-17T10:27:52Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Transferable Perturbations of Deep Feature Distributions [102.94094966908916]
本研究は,クラスワイドおよび層ワイドな特徴分布のモデリングと利用に基づく新たな敵攻撃を提案する。
我々は、未定義の画像ネットモデルに対して、最先端のブラックボックス転送に基づく攻撃結果を得る。
論文 参考訳(メタデータ) (2020-04-27T00:32:25Z)
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。