Fugu-MT 論文翻訳(概要): Achieving Predictive Precision: Leveraging LSTM and Pseudo Labeling for Volvo's Discovery Challenge at ECML-PKDD 2024

論文の概要: Achieving Predictive Precision: Leveraging LSTM and Pseudo Labeling for Volvo's Discovery Challenge at ECML-PKDD 2024

arxiv url: http://arxiv.org/abs/2409.13877v1
Date: Fri, 20 Sep 2024 20:12:12 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 04:50:50.825722
Title: Achieving Predictive Precision: Leveraging LSTM and Pseudo Labeling for Volvo's Discovery Challenge at ECML-PKDD 2024
Title（参考訳）: 予測精度の達成:ECML-PKDD 2024におけるボルボの発見へのLSTMと擬似ラベルの活用
Authors: Carlo Metta, Marco Gregnanin, Andrea Papini, Silvia Giulia Galfrè, Andrea Fois, Francesco Morandin, Marco Fantozzi, Maurizio Parton,
Abstract要約: 本稿では,ECML-PKDD 2024におけるVolvo Discovery Challengeにおける第2位手法について述べる。我々は、Volvoトラックの部品のメンテナンスニーズを予測するために、Long Short-Term Memory Networkと擬似ラベルを用いた。
参考スコア（独自算出の注目度）: 0.3482692226532415
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the second-place methodology in the Volvo Discovery Challenge at ECML-PKDD 2024, where we used Long Short-Term Memory networks and pseudo-labeling to predict maintenance needs for a component of Volvo trucks. We processed the training data to mirror the test set structure and applied a base LSTM model to label the test data iteratively. This approach refined our model's predictive capabilities and culminated in a macro-average F1-score of 0.879, demonstrating robust performance in predictive maintenance. This work provides valuable insights for applying machine learning techniques effectively in industrial settings.
Abstract（参考訳）: 本稿では,ECML-PKDD 2024におけるVolvo Discovery Challengeにおいて,Long Short-Term Memory Network と pseudo-labeling を用いて,Volvo トラックの部品のメンテナンスニーズを予測する手法を提案する。トレーニングデータを処理して,テストセット構造を反映し,ベースLSTMモデルを適用して,テストデータを反復的にラベル付けした。提案手法はモデルの予測能力を改良し,マクロ平均F1スコア 0.879 を達成し,予測保守における堅牢な性能を実証した。この研究は、産業環境で機械学習技術を効果的に適用するための貴重な洞察を提供する。

関連論文リスト

What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文参考訳（メタデータ） (2024-11-12T09:52:40Z)
Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
論文参考訳（メタデータ） (2024-07-20T21:24:11Z)
Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
論文参考訳（メタデータ） (2024-06-07T11:37:45Z)
Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文参考訳（メタデータ） (2023-12-13T09:32:50Z)
Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks [44.294078238444996]
本稿では、この文脈におけるPFN(preded-data fit Neural Network)の最初の応用について述べる。我々は,LC-PFNがMCMCよりも後方予測分布を正確に近似できることを実証した。また,同じLC-PFNが,20万個の実学習曲線を外挿する競合性能を実現することを示す。
論文参考訳（メタデータ） (2023-10-31T13:30:30Z)
Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
論文参考訳（メタデータ） (2023-10-07T23:21:25Z)
An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine [0.12289361708127873]
本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。 97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
論文参考訳（メタデータ） (2023-09-23T08:54:10Z)
Pretraining on the Test Set Is All You Need [6.322449198012633]
パラメータ変換器をベースとした LLM textbfphi-CTNL をプレトレーニングし、様々な学術ベンチマークで完全な結果を得る。 textbfphi-CTNLはまた、パワーロースケーリングを破り、ダウンストリーム評価ベンチマークのカナリアを正確に予測する、前例のないグラッキングのような能力を示す。
論文参考訳（メタデータ） (2023-09-13T19:47:33Z)
Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
論文参考訳（メタデータ） (2023-06-06T16:15:26Z)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。