論文の概要: Effective Benchmarks for Optical Turbulence Modeling
- arxiv url: http://arxiv.org/abs/2401.03573v1
- Date: Sun, 7 Jan 2024 20:00:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 18:14:49.546465
- Title: Effective Benchmarks for Optical Turbulence Modeling
- Title(参考訳): 光乱流モデリングのための効果的なベンチマーク
- Authors: Christopher Jellen and Charles Nelson and Cody Brownell and John
Burkhardt
- Abstract要約: 我々は,光乱流強度予測モデルの厳密な開発と評価のためのPythonパッケージであるtextttotbenchパッケージを紹介する。
このパッケージは、様々なベンチマークタスクやデータセットで光乱流モデルを評価するための一貫したインターフェースを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Optical turbulence presents a significant challenge for communication,
directed energy, and imaging systems, especially in the atmospheric boundary
layer. Effective modeling of optical turbulence strength is critical for the
development and deployment of these systems. The lack of standard evaluation
tools, especially long-term data sets, modeling tasks, metrics, and baseline
models, prevent effective comparisons between approaches and models. This
reduces the ease of reproducing results and contributes to over-fitting on
local micro-climates. Performance characterized using evaluation metrics
provides some insight into the applicability of a model for predicting the
strength of optical turbulence. However, these metrics are not sufficient for
understanding the relative quality of a model. We introduce the
\texttt{otbench} package, a Python package for rigorous development and
evaluation of optical turbulence strength prediction models. The package
provides a consistent interface for evaluating optical turbulence models on a
variety of benchmark tasks and data sets. The \texttt{otbench} package includes
a range of baseline models, including statistical, data-driven, and deep
learning models, to provide a sense of relative model quality. \texttt{otbench}
also provides support for adding new data sets, tasks, and evaluation metrics.
The package is available at \url{https://github.com/cdjellen/otbench}.
- Abstract(参考訳): 光乱流は、特に大気境界層における通信、指向エネルギー、イメージングシステムにとって重要な課題である。
光乱流強度の効果的なモデリングは、これらのシステムの開発と展開に不可欠である。
標準的な評価ツール、特に長期データセット、モデリングタスク、メトリクス、ベースラインモデルの欠如は、アプローチとモデルの効果的な比較を妨げる。
これにより、結果の再現が容易になり、局所的な微小気候への過度な適合に寄与する。
評価指標を用いて特徴付けられる性能は、光乱流の強度を予測するためのモデルの適用性に関する洞察を与える。
しかし、これらのメトリクスはモデルの相対的な品質を理解するのに十分ではない。
我々は,光乱流強度予測モデルの厳密な開発と評価のためのpythonパッケージである \texttt{otbench} パッケージを紹介する。
このパッケージは、様々なベンチマークタスクとデータセットで光学乱流モデルを評価するための一貫したインターフェースを提供する。
texttt{otbench}パッケージには、統計モデル、データ駆動モデル、ディープラーニングモデルを含む一連のベースラインモデルが含まれており、相対モデル品質の感覚を提供する。
\texttt{otbench}は、新しいデータセット、タスク、評価メトリクスの追加もサポートする。
パッケージは \url{https://github.com/cdjellen/otbench} で入手できる。
関連論文リスト
- Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。
このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。
我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
論文 参考訳(メタデータ) (2024-02-07T13:41:53Z) - A comprehensive framework for multi-fidelity surrogate modeling with
noisy data: a gray-box perspective [0.0]
グレーボックスモデリングは、データ駆動(ブラックボックス)モデルとホワイトボックス(物理ベース)モデルからの情報を統合する問題に関係している。
我々はMFSM(Multi-fidelity surrogate model)を用いてこの課題を実行することを提案する。
MFSMは、様々な計算忠実度を持つモデルからの情報を新しい代理モデルに統合する。
論文 参考訳(メタデータ) (2024-01-12T08:37:41Z) - On the Impact of Sampling on Deep Sequential State Estimation [17.92198582435315]
逐次モデルにおける状態推定とパラメータ学習は近似手法を用いてうまく行うことができる。
モンテカルロの厳密な目的は、生成的モデリング性能を向上させるために文献で提案されている。
論文 参考訳(メタデータ) (2023-11-28T17:59:49Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳(メタデータ) (2023-11-06T00:21:44Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Using Explanations to Guide Models [68.64377323216817]
モデルガイダンスは、時にはモデルパフォーマンスも改善できることを示す。
本研究では,物体の特徴に着目したモデルの有効性を示す新しいエネルギー損失を提案する。
また、バウンディングボックスアノテーションのわずかな部分でも、これらのゲインが達成可能であることも示しています。
論文 参考訳(メタデータ) (2023-03-21T15:34:50Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Distributional Depth-Based Estimation of Object Articulation Models [21.046351215949525]
本研究では,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。
私たちのコアコントリビューションには、剛体変換に対する分布の新しい表現が含まれています。
本稿では,カテゴリに依存しない調音モデル推定を行う新しい深層学習手法DUST-netを提案する。
論文 参考訳(メタデータ) (2021-08-12T17:44:51Z) - SummVis: Interactive Visual Analysis of Models, Data, and Evaluation for
Text Summarization [14.787106201073154]
SummVisは抽象要約を視覚化するためのオープンソースツールです。
テキスト要約に関連するモデル、データ、評価メトリクスの詳細な分析を可能にする。
論文 参考訳(メタデータ) (2021-04-15T17:13:00Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳(メタデータ) (2021-02-17T18:25:30Z)
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。