論文の概要: Minimally Supervised Topological Projections of Self-Organizing Maps for Phase of Flight Identification

• arxiv url: http://arxiv.org/abs/2402.11185v1
• Date: Sat, 17 Feb 2024 04:05:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 22:48:52.416182
• Title: Minimally Supervised Topological Projections of Self-Organizing Maps for Phase of Flight Identification
• Title（参考訳）: 飛行同定のための自己組織化マップの最小監督位相投影
• Authors: Zimeng Lyu, Pujan Thapa, Travis Desell
• Abstract要約: 本研究は、最小教師付き自己組織化マップ(MS-SOM)における新しい手法の使用について検討する。 提案手法は, ラベル付きデータの完全なデータファイルを利用して, クラス毎に30個のラベル付きデータポイントしか持たない, 単純なSOMアプローチに到達または超えることを示す。
• 参考スコア（独自算出の注目度）: 3.951769809066429
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Identifying phases of flight is important in the field of general aviation, as knowing which phase of flight data is collected from aircraft flight data recorders can aid in the more effective detection of safety or hazardous events. General aviation flight data for phase of flight identification is usually per-second data, comes on a large scale, and is class imbalanced. It is expensive to manually label the data and training classification models usually faces class imbalance problems. This work investigates the use of a novel method for minimally supervised self-organizing maps (MS-SOMs) which utilize nearest neighbor majority votes in the SOM U-matrix for class estimation. Results show that the proposed method can reach or exceed a naive SOM approach which utilized a full data file of labeled data, with only 30 labeled datapoints per class. Additionally, the minimally supervised SOM is significantly more robust to the class imbalance of the phase of flight data. These results highlight how little data is required for effective phase of flight identification.
• Abstract（参考訳）: 飛行データレコーダからフライトデータのどのフェーズが収集されるかを知ることは、安全や有害事象のより効果的な検出に役立てることができるため、一般航空分野において飛行の特定フェーズが重要である。 飛行識別フェーズの一般的な飛行データは、通常秒単位のデータであり、大規模で、クラス不均衡である。 データのラベル付けとトレーニングの分類モデルは通常、クラス不均衡の問題に直面する。 本研究は,SOM U行列の近傍多数決を利用した最小教師付き自己組織化マップ(MS-SOM)の新たな手法について検討する。 提案手法は,ラベル付きデータの完全なデータファイルを利用して,クラス毎に30個のラベル付きデータポイントしか持たない,単純なSOMアプローチに到達または超えることを示す。 さらに、最小に監督されたSOMは、飛行データの位相のクラス不均衡に対して、はるかに堅牢である。 これらの結果は、飛行識別の有効なフェーズに必要なデータが少ないことを表している。

関連論文リスト

• Decoupling the Class Label and the Target Concept in Machine Unlearning [81.69857244976123]
  機械学習の目的は、トレーニングデータの一部を除外した再トレーニングされたモデルを近似するために、トレーニングされたモデルを調整することだ。 過去の研究では、クラスワイド・アンラーニングが対象クラスの知識を忘れることに成功していることが示された。 我々は、TARget-aware Forgetting (TARF) という一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:53:30Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Machine Learning-Enhanced Aircraft Landing Scheduling under Uncertainties [14.474624795989824]
  自動化と安全性の向上を目的とした,革新的な機械学習(ML)強化型ランディングスケジューリング手法を提案する。 ML予測は、時間制約のある旅行セールスマン問題の定式化において、安全制約として統合される。 ケーススタディでは、FCFS(First-Come-First-Served)ルールと比較して、総着陸時間が平均17.2%減少している。
  論文  参考訳（メタデータ） (2023-11-27T17:50:14Z)
• Big data-driven prediction of airspace congestion [40.02298833349518]
  国立航空宇宙システム(NAS)内の特定の空域セクターの航空機数を正確に予測する新しいデータ管理・予測システムを提案する。 前処理ステップでは、システムは受信した生データを処理し、それをコンパクトなサイズに減らし、コンパクトなデータベースに格納する。 予測段階において、システムは歴史的軌跡から学習し、そのセグメントを使用して、セクター境界交差、気象パラメータ、その他の航空交通データなどの重要な特徴を収集する。
  論文  参考訳（メタデータ） (2023-10-13T09:57:22Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
  過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。 正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。 本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T02:16:02Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Data-driven Method for Estimating Aircraft Mass from Quick Access Recorder using Aircraft Dynamics and Multilayer Perceptron Neural Network [4.828353666660018]
  乗客と荷物を積載する航空機は、安全上の危険をもたらす可能性がある。 航空会社はこのツールを使って航空機のペイロードをよりよく利用することができる。
  論文  参考訳（メタデータ） (2020-12-10T04:44:47Z)
• Ensemble Transfer Learning for Emergency Landing Field Identification on Moderate Resource Heterogeneous Kubernetes Cluster [0.0]
  観測機器の気象条件の場合、適切な緊急着陸地点のデータベースを使用することは不可欠である。 ニューラルネットワークのトレーニングとテストを容易にするために、さまざまなサンプルサイズのデータセットを作成しました。 これらの緊急着陸場はデータベースに格納される。
  論文  参考訳（メタデータ） (2020-06-26T09:40:32Z)

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。