Fugu-MT 論文翻訳(概要): Capsule Neural Networks as Noise Stabilizer for Time Series Data

論文の概要: Capsule Neural Networks as Noise Stabilizer for Time Series Data

arxiv url: http://arxiv.org/abs/2403.13867v1
Date: Wed, 20 Mar 2024 12:17:49 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 18:18:59.175329
Title: Capsule Neural Networks as Noise Stabilizer for Time Series Data
Title（参考訳）: 時系列データのための雑音安定化器としてのカプセルニューラルネットワーク
Authors: Soyeon Kim, Jihyeon Seong, Hyunkyung Han, Jaesik Choi,
Abstract要約: カプセルニューラルネットワークは、単一ベクトルにニューロンを結合し、位置同変の特徴を学習するカプセルを使用する。本稿では,高感度でノイズの多い時系列センサデータの解析におけるCapsNetsの有効性について検討する。
参考スコア（独自算出の注目度）: 20.29049860598735
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Capsule Neural Networks utilize capsules, which bind neurons into a single vector and learn position equivariant features, which makes them more robust than original Convolutional Neural Networks. CapsNets employ an affine transformation matrix and dynamic routing with coupling coefficients to learn robustly. In this paper, we investigate the effectiveness of CapsNets in analyzing highly sensitive and noisy time series sensor data. To demonstrate CapsNets robustness, we compare their performance with original CNNs on electrocardiogram data, a medical time series sensor data with complex patterns and noise. Our study provides empirical evidence that CapsNets function as noise stabilizers, as investigated by manual and adversarial attack experiments using the fast gradient sign method and three manual attacks, including offset shifting, gradual drift, and temporal lagging. In summary, CapsNets outperform CNNs in both manual and adversarial attacked data. Our findings suggest that CapsNets can be effectively applied to various sensor systems to improve their resilience to noise attacks. These results have significant implications for designing and implementing robust machine learning models in real world applications. Additionally, this study contributes to the effectiveness of CapsNet models in handling noisy data and highlights their potential for addressing the challenges of noise data in time series analysis.
Abstract（参考訳）: Capsule Neural Networksは、単一ベクトルにニューロンを結合するカプセルを使用し、位置同変の特徴を学ぶことで、元の畳み込みニューラルネットワークよりも堅牢である。 CapsNetはアフィン変換行列と結合係数を持つ動的ルーティングを用いて、堅牢に学習する。本稿では,高感度でノイズの多い時系列センサデータの解析におけるCapsNetsの有効性について検討する。 CapsNetsのロバスト性を示すために、心電図データ、医療時系列センサデータと複雑なパターンとノイズのCNNの性能を比較した。本研究では,CapsNetsが雑音安定化器として機能することを示す実証的証拠として,高速勾配標識法と,オフセットシフト,段階的ドリフト,時間的遅延を含む3つの手動攻撃を用いた手動・対向攻撃実験を行った。要約すると、CapsNetsは手動攻撃と敵攻撃の両方でCNNを上回っている。以上の結果から,CapsNetsは様々なセンサシステムに効果的に適用でき,ノイズアタックに対するレジリエンスを向上させることができることが示唆された。これらの結果は、実世界のアプリケーションで堅牢な機械学習モデルの設計と実装に重大な影響を及ぼす。さらに,本研究は,ノイズデータ処理におけるCapsNetモデルの有効性に寄与し,時系列解析におけるノイズデータの課題に対処する可能性を強調した。

関連論文リスト

Deep Learning Method for Cell-Wise Object Tracking, Velocity Estimation and Projection of Sensor Data over Time [0.7340017786387767]
我々は、ConvNetがこのタスクのアーキテクチャ上の制約にどのように悩まされているかを示す。最後のステップでは、抽出した速度推定に基づいて、リカレントニューラルネットワークのメモリ状態を投影する。
論文参考訳（メタデータ） (2023-06-08T07:33:05Z)
RobCaps: Evaluating the Robustness of Capsule Networks against Affine Transformations and Adversarial Attacks [11.302789770501303]
Capsule Networks(CapsNets)は、画像分類タスクのための複数のオブジェクト間のポーズ関係を階層的に保存することができる。本稿では、従来のコナールニューラルネットワーク(CNN)と比較して、CapsNetsの堅牢性に影響を与えるさまざまな要因を評価する。
論文参考訳（メタデータ） (2023-04-08T09:58:35Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。私たちのコードは公開されます。
論文参考訳（メタデータ） (2022-02-23T18:23:07Z)
Spiking CapsNet: A Spiking Neural Network With A Biologically Plausible Routing Rule Between Capsules [9.658836348699161]
スパイキングニューラルネットワーク(SNN)は、その強力な時間情報表現能力により、多くの注目を集めている。 CapsNetは、さまざまなレベルの組み立てと結合でうまく機能する。ニューラルネットワークのモデリングにカプセルを導入することで、Spking CapsNetを提案する。
論文参考訳（メタデータ） (2021-11-15T14:23:15Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Security Analysis of Capsule Network Inference using Horizontal Collaboration [0.5459797813771499]
カプセルネットワーク(CapsNet)は、入力画像の空間的向きを符号化し、保存することができる。 CapsNetはいくつかの悪意のある攻撃に対して脆弱である。
論文参考訳（メタデータ） (2021-09-22T21:04:20Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文参考訳（メタデータ） (2021-02-23T20:59:30Z)
Towards Robust Neural Networks via Close-loop Control [12.71446168207573]
深層ニューラルネットワークは、ブラックボックスの性質のため、様々な摂動に弱い。近年の研究では、入力データが知覚不可能な量で摂動しても、ディープニューラルネットワークがデータを誤分類できることが示されている。
論文参考訳（メタデータ） (2021-02-03T03:50:35Z)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。