論文の概要: Deep Learning Approach for Knee Point Detection on Noisy Data

• arxiv url: http://arxiv.org/abs/2409.15608v1
• Date: Mon, 23 Sep 2024 23:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 12:02:22.521181
• Title: Deep Learning Approach for Knee Point Detection on Noisy Data
• Title（参考訳）: 雑音データに基づく膝点検出のための深層学習手法
• Authors: Ting Yan Fok, Nong Ye,
• Abstract要約: 曲線上の膝点とは、曲線の上昇後に曲線が下降する点である。 本研究では,正規化データに基づいて膝点を定義する。 我々は、基盤となる真の分布の膝点を正確に検出するために、U-Netのようなアーキテクチャを持つ畳み込みニューラルネットワーク(CNN)を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: A knee point on a curve is the one where the curve levels off after an increase. In a computer system, it marks the point at which the system's performance is no longer improving significantly despite adding extra resources. Thus a knee point often represents an optimal point for decision. However, identifying knee points in noisy data is a challenging task. All previous works defined knee points based on the data in the original scale. However, in this work, we define knee points based on normalized data and provide a mathematical definition of curvature for normalized discrete data points, based on the mathematical definition of curvature for continuous functions. The impact of normalization exerted on curvature and the location of knee points are also discussed. Nevertheless, assessing the effectiveness of methods is difficult in the absence of ground truth data and benchmark datasets, which makes comparing existing methods challenging. In view of this, we create synthetic data that simulate real-world scenarios. We achieve this by selecting a set of functions that possess the required characteristics in this research and then introducing noise that satisfies the underlying distribution. In addition, we present a deep-learning approach and employ a Convolutional Neural Network (CNN) with a U-Net-like architecture, to accurately detect the knee point(s) of the underlying true distribution. The proposed model is evaluated against state-of-the-art methods. Experiments show that our network outperforms existing methods in all synthetic datasets, regardless of whether the samples have single or multiple knee points. In fact, our model achieves the best $F_{1}$ scores among all existing methods in all the test sets.
• Abstract（参考訳）: 曲線上の膝点とは、曲線の上昇後に曲線が下降する点である。 コンピュータシステムでは、余分なリソースを追加してもシステムの性能が大幅に改善されない点を示す。 したがって、膝点はしばしば決定の最適点を表す。 しかし、ノイズの多いデータの中で膝点を特定することは難しい作業である。 以前の作業はすべて、オリジナルのスケールのデータに基づいて膝のポイントを定義していた。 しかし、本研究では、正規化データに基づいて膝点を定義し、連続関数に対する曲率の数学的定義に基づいて、正規化離散データ点に対する曲率の数学的定義を提供する。 また, 正規化が曲率および膝点位置に及ぼす影響についても考察した。 それにもかかわらず、基底真理データとベンチマークデータセットが存在しない場合、手法の有効性を評価することは困難であり、既存の手法を比較することは困難である。 この観点から、実世界のシナリオをシミュレートする合成データを作成する。 本研究では,本研究で要求される特性を持つ関数の集合を選択し,基礎となる分布を満たす雑音を導入する。 さらに,U-Netのようなアーキテクチャを持つ畳み込みニューラルネットワーク(CNN)を用いて,基礎となる真の分布の膝点(s)を正確に検出する。 提案手法は最先端手法に対して評価される。 実験の結果、サンプルの膝点が単一であるか複数であるかに関わらず、我々のネットワークはすべての合成データセットの既存の手法よりも優れていることがわかった。 実際、我々のモデルは、すべてのテストセットにおいて、既存のすべてのメソッドの中で最高の$F_{1}$スコアを達成します。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。 スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
  本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。 次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
  論文  参考訳（メタデータ） (2023-03-09T10:08:34Z)
• Walk for Learning: A Random Walk Approach for Federated Learning from Heterogeneous Data [17.978941229970886]
  私たちは標準的アプリケーションとしてフェデレートラーニング(FL)に注目します。 FLの主な課題の1つは、ノードとパラメータサーバの間の通信ボトルネックである。 適応型ランダムウォーク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-01T19:53:24Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Inference of stochastic time series with missing data [5.7656096606054374]
  時系列からダイナミクスを推定することは、データ分析において重要な目的である。 E-stepは欠落したデータポイントを復元し、M-stepは基盤となるネットワークモデルを推測する。 観測されたデータポイントと欠落したデータポイントの整合性を求めることは、効果的な停止基準となる。
  論文  参考訳（メタデータ） (2021-01-28T04:56:59Z)
• Preprocessing noisy functional data using factor models [0.0]
  観測点の離散集合上で計測された関数的データを検討する。 信号と雑音は自然に因子モデルの共通かつ慣用的な成分として表すことができる。
  論文  参考訳（メタデータ） (2020-12-10T16:54:44Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
  メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。 既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。 我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:15:30Z)

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。