論文の概要: Bayesian Event Categorization Matrix Approach for Explosion Monitoring
- arxiv url: http://arxiv.org/abs/2409.18227v3
- Date: Thu, 16 Jan 2025 21:09:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-20 13:57:28.906179
- Title: Bayesian Event Categorization Matrix Approach for Explosion Monitoring
- Title(参考訳): 爆発モニタリングのためのベイズ事象分類行列アプローチ
- Authors: Scott Koermer, Joshua D. Carmichael, Brian J. Williams,
- Abstract要約: 本稿では,前回のイベント分類行列モデルに対するベイズ的更新について述べる。
また, 事象分類行列モデルをベイズ決定理論で拡張することにより, 事象分類の偽陰性あるいは偽陽性率を直感的に低減することができる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Current efforts to correctly categorize natural events from suspected explosion sources with data that is collected by ground- or space-based sensors presents historical challenges that remain unaddressed by the Event Categorization Matrix (ECM) model. Smaller historical events (lower yield explosions) often include only sparse observations among few modalities and can therefore lack a complete set of discriminants. The covariance structures can also vary significantly between such observations of event (source-type) categories. Both obstacles are problematic for the ``classic'' Event Categorization Matrix model. Our work addresses this gap and presents a Bayesian update to the previous Event Categorization Matrix model, termed the Bayesian Event Categorization Matrix model, which can be trained on partial observations and does not rely on a pooled covariance structure. We further augment the Event Categorization Matrix model with Bayesian Decision Theory so that false negative or false positive rates of an event categorization can be reduced in an intuitive manner. To demonstrate improved categorization rates for the Bayesian Event Categorization Matrix model, we compare an array of Bayesian and classic models with multiple performance metrics using Monte Carlo experiments. We use both synthetic and real data. Our Bayesian models show consistent gains in overall accuracy and a lower false negative rates relative to the classic Event Categorization Matrix model. We propose future avenues to improve Bayesian Event Categorization Matrix models for further improving decision-making and predictive capability.
- Abstract(参考訳): 地中または宇宙のセンサーが収集したデータを用いて、爆発源から自然事象を正しく分類する現在の取り組みは、事象分類行列(ECM)モデルによって未解決のままの歴史的課題を提示している。
より小さな歴史的事象(収率の低い爆発)は、わずかなモダリティの中でスパースな観測しか含まないため、完全な識別剤のセットが欠落することがある。
共分散構造は、事象(ソースタイプ)カテゴリの観測で大きく異なることもある。
どちらの障害も 'classic' イベント分類行列モデルには問題があります。
我々の研究は、このギャップに対処し、ベイズ的イベント分類行列モデル(Bayesian Event Categorization Matrix model)と呼ばれる以前のイベント分類行列モデルに対するベイズ的更新を提示する。
さらに、ベイズ決定理論を用いたイベント分類行列モデルを拡張し、イベント分類の偽陰性または偽陽性率を直感的に低減する。
ベイジアン事象分類行列モデルの分類率の改善を示すため,モンテカルロ実験を用いてベイジアンモデルと古典モデルの配列を比較した。
合成データと実データの両方を使用します。
我々のベイズモデルは、古典的事象分類行列モデルと比較して、全体的な精度と低い偽陰性率において一貫した利得を示す。
本稿では,ベイズ事象分類行列モデルの改良と,意思決定と予測能力の向上に向けた今後の取り組みを提案する。
関連論文リスト
- Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
現在の因果的発見アプローチは、構造的識別可能性を確保するために、限定的なモデル仮定や介入データへのアクセスを必要とする。
近年の研究では、ベイズモデルの選択はより柔軟な仮定のために制限的モデリングを交換することで精度を大幅に向上させることができることが示されている。
合成データセットと実世界のデータセットの両方において、我々のアプローチの競争力を実証する。
論文 参考訳(メタデータ) (2024-11-15T12:55:05Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-08-04T09:11:07Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。
決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。
本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-11T15:20:54Z) - The Unbearable Weight of Massive Privilege: Revisiting Bias-Variance
Trade-Offs in the Context of Fair Prediction [7.975779552420981]
単一モデルによるトレードオフを改善することを目的とした条件付きid(ciid)モデルを提案する。
我々は、CompASおよびフォークテーブルデータセット上で、我々の設定を実証的にテストする。
分析の結果,条件付きモデルが好まれる原則的手順や具体的な実世界のユースケースが存在する可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-17T05:34:35Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-24T07:54:13Z) - Behind the Scenes: An Exploration of Trigger Biases Problem in Few-Shot
Event Classification [24.598938900747186]
FSEC(Few-Shot Event Classification)は、アノテーション付きデータに制限のある新しいイベントタイプに一般化可能な、イベント予測モデルの開発を目標としている。
既存のFSECモデルは、トリガーワードとターゲットイベントタイプの間の統計的均一性を示すトリガーバイアスに悩まされている。
FSECモデルにおけるコンテキストバイパス問題に対処するために、敵の訓練とトリガー再構成技術を導入する。
論文 参考訳(メタデータ) (2021-08-29T13:46:42Z) - Convex Parameter Recovery for Interacting Marked Processes [9.578874709168561]
ある場所で発生した事象の確率は、この場所や他の場所での過去の出来事に影響される可能性がある。
私たちは、一般的に採用されているため、相互作用が正あるいは崩壊することを制限しません。
本モデルでは,モデルパラメータに対する一般凸制約を許容することにより,事前知識を組み込む。
論文 参考訳(メタデータ) (2020-03-29T03:23:30Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。