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

• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• PerturBench: Benchmarking Machine Learning Models for Cellular Perturbation Analysis [14.526536510805755]
  本稿では,この急速に発展する分野におけるベンチマークの標準化を目的として,単一細胞における摂動の影響を予測するための包括的なフレームワークを提案する。 当社のフレームワークであるPerturBenchには、ユーザフレンドリなプラットフォーム、多様なデータセット、フェアモデル比較のためのメトリクス、詳細なパフォーマンス分析が含まれています。
  論文  参考訳（メタデータ） (2024-08-20T07:40:20Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Meta-learning and Data Augmentation for Stress Testing Forecasting Models [0.33554367023486936]
  モデルがストレスにさらされていると考えられるのは、高次のエラーや不確実性の増加など、ネガティブな振る舞いを示す場合である。 本稿では,MAST(Meta-learning and data Augmentation for Stress Testing)と呼ばれる新しいフレームワークに貢献する。
  論文  参考訳（メタデータ） (2024-06-24T17:59:33Z)
• 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)
• 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)
• Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
  「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。 具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
  論文  参考訳（メタデータ） (2023-03-21T15:34:50Z)
• 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。