論文の概要: Active learning for regression in engineering populations: A risk-informed approach

• arxiv url: http://arxiv.org/abs/2409.04328v2
• Date: Thu, 12 Sep 2024 10:16:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 13:26:31.510795
• Title: Active learning for regression in engineering populations: A risk-informed approach
• Title（参考訳）: 工学系人口の回帰学習 : リスクインフォームドアプローチ
• Authors: Daniel R. Clarkson, Lawrence A. Bull, Chandula T. Wickramarachchi, Elizabeth J. Cross, Timothy J. Rogers, Keith Worden, Nikolaos Dervilis, Aidan J. Hughes,
• Abstract要約: 回帰は、データ中心のエンジニアリングアプリケーションで一般的な基本的な予測タスクである。 アクティブラーニング(英: Active Learning)は、リソース効率のよい特徴ラベルペアを優先的に取得する手法である。 提案手法は, 予測性能を維持しつつ, 必要な検査回数を削減し, 予測コストの観点から優れた性能を有することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regression is a fundamental prediction task common in data-centric engineering applications that involves learning mappings between continuous variables. In many engineering applications (e.g.\ structural health monitoring), feature-label pairs used to learn such mappings are of limited availability which hinders the effectiveness of traditional supervised machine learning approaches. The current paper proposes a methodology for overcoming the issue of data scarcity by combining active learning with hierarchical Bayesian modelling. Active learning is an approach for preferentially acquiring feature-label pairs in a resource-efficient manner. In particular, the current work adopts a risk-informed approach that leverages contextual information associated with regression-based engineering decision-making tasks (e.g.\ inspection and maintenance). Hierarchical Bayesian modelling allow multiple related regression tasks to be learned over a population, capturing local and global effects. The information sharing facilitated by this modelling approach means that information acquired for one engineering system can improve predictive performance across the population. The proposed methodology is demonstrated using an experimental case study. Specifically, multiple regressions are performed over a population of machining tools, where the quantity of interest is the surface roughness of the workpieces. An inspection and maintenance decision process is defined using these regression tasks which is in turn used to construct the active-learning algorithm. The novel methodology proposed is benchmarked against an uninformed approach to label acquisition and independent modelling of the regression tasks. It is shown that the proposed approach has superior performance in terms of expected cost -- maintaining predictive performance while reducing the number of inspections required.
• Abstract（参考訳）: 回帰(Regression)は、連続変数間のマッピングの学習を含む、データ中心のエンジニアリングアプリケーションで一般的な基本的な予測タスクである。 多くの工学的応用(例えば構造的健康モニタリング)において、そのようなマッピングを学習するのに使われる特徴ラベルペアは可用性が限られており、従来の教師付き機械学習アプローチの有効性を妨げている。 本稿では,アクティブラーニングと階層型ベイズモデルを組み合わせることで,データの不足を克服する手法を提案する。 アクティブラーニング(英: Active Learning)は、リソース効率のよい特徴ラベルペアを優先的に取得する手法である。 特に、現在の作業では、レグレッションベースのエンジニアリング意思決定タスク(例えば、検査とメンテナンス)に関連するコンテキスト情報を活用するリスクインフォームドアプローチを採用しています。 階層的ベイズモデルにより、複数の関連する回帰タスクが集団を通して学習され、局所的および世界的影響を捉えることができる。 このモデリングアプローチによって促進される情報共有は、あるエンジニアリングシステムで得られた情報によって、人口全体の予測性能が向上することを意味する。 提案手法は, 実験ケーススタディを用いて実証された。 具体的には, 加工品の表面粗さに注目が集まる加工工具の個体群に対して, 複数の回帰処理を行う。 能動学習アルゴリズムの構築に使用される回帰タスクを用いて,検査・保守決定プロセスを定義する。 提案手法はラベル取得と回帰タスクの独立なモデリングに対する非形式的アプローチに対してベンチマークされる。 提案手法は, 予測性能を維持しつつ, 必要な検査回数を削減し, 予測コストの観点から優れた性能を有することを示す。

関連論文リスト

• regAL: Python Package for Active Learning of Regression Problems [0.0]
  PythonパッケージregALでは、レグレッション問題に対するさまざまなアクティブな学習戦略を評価することができる。 我々は,レグレッション問題に対する様々なアクティブ学習戦略を評価することができるPythonパッケージregALを提案する。
  論文  参考訳（メタデータ） (2024-10-23T14:34:36Z)
• Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
  最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。 その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。 過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Learned reconstruction methods for inverse problems: sample error estimates [0.8702432681310401]
  本論文は,学習した再構成手法の一般化特性,特にサンプル誤差解析を行うためのものである。 より一般的な戦略が提案され、その仮定は、逆問題と学習方法の大きなクラスに対して満たされる。
  論文  参考訳（メタデータ） (2023-12-21T17:56:19Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Streaming Active Learning for Regression Problems Using Regression via Classification [12.572218568705376]
  本稿では,回帰学習のためのストリーミング能動学習にレグレッション・ウィズ・クラス化フレームワークを用いることを提案する。 レグレッション・ウィズ・クラス化は回帰問題を分類問題に変換し、ストリーミング能動学習法を回帰問題に直接適用できるようにする。
  論文  参考訳（メタデータ） (2023-09-02T20:24:24Z)
• Robust online active learning [0.7734726150561089]
  本研究では, 汚染データストリームにおけるオンラインアクティブ線形回帰の性能について検討する。 本稿では,条件付きD-最適アルゴリズムの探索領域を限定し,ロバストな推定器を用いた解を提案する。
  論文  参考訳（メタデータ） (2023-02-01T13:14:26Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)
• Active Learning for Gaussian Process Considering Uncertainties with Application to Shape Control of Composite Fuselage [7.358477502214471]
  ガウス過程に不確実性のある2つの新しい能動学習アルゴリズムを提案する。 提案手法は不確実性の影響を取り入れ,予測性能の向上を実現する。 本手法は, 複合胴体の自動形状制御における予測モデルの改善に応用されている。
  論文  参考訳（メタデータ） (2020-04-23T02:04:53Z)

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。