論文の概要: Instance-Level Safety-Aware Fidelity of Synthetic Data and Its Calibration

• arxiv url: http://arxiv.org/abs/2402.07031v2
• Date: Thu, 2 May 2024 07:27:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 21:41:12.217839
• Title: Instance-Level Safety-Aware Fidelity of Synthetic Data and Its Calibration
• Title（参考訳）: ケースレベル安全対応型合成データの忠実度とその校正
• Authors: Chih-Hong Cheng, Paul Stöckel, Xingyu Zhao,
• Abstract要約: 4種類のインスタンスレベルの忠実さを導入し、安全クリティカルなアプリケーションにおけるその役割に焦点を当てる。 目的は、合成データにテストを適用することによって、現実世界の安全性の問題を明らかにすることだ。
• 参考スコア（独自算出の注目度）: 5.089356301032639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling and calibrating the fidelity of synthetic data is paramount in shaping the future of safe and reliable self-driving technology by offering a cost-effective and scalable alternative to real-world data collection. We focus on its role in safety-critical applications, introducing four types of instance-level fidelity that go beyond mere visual input characteristics. The aim is to ensure that applying testing on synthetic data can reveal real-world safety issues, and the absence of safety-critical issues when testing under synthetic data can provide a strong safety guarantee in real-world behavior. We suggest an optimization method to refine the synthetic data generator, reducing fidelity gaps identified by deep learning components. Experiments show this tuning enhances the correlation between safety-critical errors in synthetic and real data.
• Abstract（参考訳）: 合成データの忠実度をモデル化し、調整することは、現実世界のデータ収集に代わる費用効率が高くスケーラブルな代替手段を提供することで、安全で信頼性の高い自動運転技術の未来を形作る上で、最重要である。 安全クリティカルなアプリケーションにおけるその役割に焦点をあて、視覚的な入力特性を超える4種類のインスタンスレベルの忠実さを導入します。 この目的は、合成データにテストを適用することで、現実世界の安全性上の問題や、合成データの下でのテストにおいて安全性に重大な問題がないことが、現実世界の行動に強力な安全保証をもたらすことを保証することである。 合成データ生成装置を改良する最適化手法を提案する。 実験により、このチューニングは、合成データと実データにおける安全クリティカルエラーの相関性を高めることが示された。

関連論文リスト

• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• On the Equivalency, Substitutability, and Flexibility of Synthetic Data [9.459709213597707]
  本研究では,合成データと実世界のデータとの等価性,実データに対する合成データの置換可能性,合成データ生成装置の柔軟性について検討する。 以上の結果から, 合成データによりモデル性能が向上するだけでなく, 実データへの置換性も向上し, 性能損失の60%から80%が置換可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-24T17:21:32Z)
• Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
  セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。 この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。 セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2023-12-14T18:56:07Z)
• Conformalised data synthesis with statistical quality guarantees [0.0]
  データ合成は、データハングリーモデルの需要に対応するための有望な技術である。 しかし、「合成器」モデルの出力の品質を確実に評価することは、オープンな研究課題である。 我々は統計的信頼性を保証するユニークな自信データ合成アルゴリズムを設計した。
  論文  参考訳（メタデータ） (2023-12-14T14:44:08Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• The Use of Synthetic Data to Train AI Models: Opportunities and Risks for Sustainable Development [0.6906005491572401]
  本稿では,合成データの生成,利用,普及を規定する政策について検討する。 優れた合成データポリシーは、プライバシの懸念とデータの有用性のバランスを取らなければならない。
  論文  参考訳（メタデータ） (2023-08-31T23:18:53Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• Enabling Synthetic Data adoption in regulated domains [1.9512796489908306]
  Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。 特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。 このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
  論文  参考訳（メタデータ） (2022-04-13T10:53:54Z)
• Holdout-Based Fidelity and Privacy Assessment of Mixed-Type Synthetic Data [0.0]
  aiベースのデータ合成はここ数年で急速に進歩しており、プライバシを尊重するデータ共有を可能にするという約束がますます認識されている。 我々は,合成データソリューションの信頼性とプライバシリスクを定量化するための,ホールドアウトに基づく実証的評価フレームワークを紹介し,実証する。
  論文  参考訳（メタデータ） (2021-04-01T17:30:23Z)

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。