論文の概要: Investigating the Impact of Randomness on Reproducibility in Computer Vision: A Study on Applications in Civil Engineering and Medicine

• arxiv url: http://arxiv.org/abs/2410.02806v1
• Date: Thu, 19 Sep 2024 11:06:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-03 05:44:23.551828
• Title: Investigating the Impact of Randomness on Reproducibility in Computer Vision: A Study on Applications in Civil Engineering and Medicine
• Title（参考訳）: コンピュータビジョンの再現性に及ぼすランダム性の影響の検討:土木工学・医学への応用に関する研究
• Authors: Bahadır Eryılmaz, Osman Alperen Koraş, Jörg Schlötterer, Christin Seifert,
• Abstract要約: 視覚によるランダム性は、パフォーマンススコアの最大4.77%の違いを説明できる。 実行時におけるこの変数の管理には,パフォーマンスの向上や低下が伴う可能性があるが,前回の調査で報告されたようなデメリットはそれほど大きくない。
• 参考スコア（独自算出の注目度）: 2.373126404533726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reproducibility is essential for scientific research. However, in computer vision, achieving consistent results is challenging due to various factors. One influential, yet often unrecognized, factor is CUDA-induced randomness. Despite CUDA's advantages for accelerating algorithm execution on GPUs, if not controlled, its behavior across multiple executions remains non-deterministic. While reproducibility issues in ML being researched, the implications of CUDA-induced randomness in application are yet to be understood. Our investigation focuses on this randomness across one standard benchmark dataset and two real-world datasets in an isolated environment. Our results show that CUDA-induced randomness can account for differences up to 4.77% in performance scores. We find that managing this variability for reproducibility may entail increased runtime or reduce performance, but that disadvantages are not as significant as reported in previous studies.
• Abstract（参考訳）: 再現性は科学研究に不可欠である。 しかし、コンピュータビジョンでは、様々な要因から一貫した結果を達成することは困難である。 CUDAによって引き起こされる無作為性は、しばしば認識されない。 GPU上でのアルゴリズム実行を高速化するCUDAのアドバンテージは、制御されていないとしても、複数の実行にまたがる動作は決定論的ではない。 MLにおける再現性の問題が研究されているが、応用におけるCUDAによるランダム性の影響はまだ理解されていない。 本研究は,このランダム性を,孤立した環境下での1つの標準ベンチマークデータセットと2つの実世界のデータセットに焦点をあてる。 以上の結果から,CUDAによるランダム性は,パフォーマンススコアの最大4.77%の差を考慮できることがわかった。 再現性のためにこの変数を管理するには、実行時間の増加やパフォーマンスの低下が伴うが、以前の研究で報告されたようなデメリットはない。

関連論文リスト

• SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph [5.828668695854935]
  我々は,目的変数間の因果関係を,計算的かつ統計的に効果的に同定することに注力する。 対象の特定の非祖先は、目標間の因果関係を学習し、効率的な調整セットを特定するのに不要であることを示す。 両手法とも, 因果効果評価の品質を損なうことなく, 独立性試験数と計算時間を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2025-02-11T16:20:57Z)
• Impacts of floating-point non-associativity on reproducibility for HPC and deep learning applications [0.0]
  浮動小数点非連想性に起因する並列プログラムにおける変数の実行は、アルゴリズムに大きな影響を与えることが知られている。 並列プログラミングモデルにおける浮動小数点非連想性の統計的性質について検討する。 我々は、ディープラーニングのためのGPUデプロイメントのコンテキスト内で、最近追加されたPyTorchの決定論的オプションについて検討する。
  論文  参考訳（メタデータ） (2024-08-09T16:07:37Z)
• Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding [1.6932009464531739]
  我々は,線形非ガウス構造方程式モデルについて考察する。 この設定では、因果構造は特定可能であるが、一般に、特定の因果効果を識別することはできない。
  論文  参考訳（メタデータ） (2024-08-09T07:24:12Z)
• OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution Shifts of Individual Nuisances in Natural Images [59.51657161097337]
  OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。 この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
  論文  参考訳（メタデータ） (2023-04-17T20:39:25Z)
• CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
  時系列データからの因果発見は、機械学習における中心的なタスクである。 本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。 提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
  論文  参考訳（メタデータ） (2023-02-15T04:16:34Z)
• AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems [102.95119281306893]
  我々は、AUCを最適化するための敵の訓練方法を探求するための早期トライアルを提示する。 我々は、AUC最適化問題をサドル点問題として再構成し、目的がインスタンスワイズ関数となる。 我々の分析は, min-max問題の勾配を計算して, 逆例を生成するアルゴリズムが求められているため, 既存の研究と異なる。
  論文  参考訳（メタデータ） (2022-06-24T09:13:39Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• A Fourier Domain Feature Approach for Human Activity Recognition & Fall Detection [0.0]
  本研究は、周波数領域フーリエ係数を用いて日常生活の人間の活動を識別する。 メソッドの評価には、2つの異なる教師付き分類器kNNとSVMが使用される。 標準精度(SA)、マクロ平均精度(MAA)、感度(SE)、特異性(SP)など、さまざまな標準指標が考慮されている。
  論文  参考訳（メタデータ） (2020-03-11T10:49:11Z)
• Hidden Cost of Randomized Smoothing [72.93630656906599]
  本稿では、現在のランダム化平滑化による副作用を指摘する。 具体的には,1)スムーズな分類器の決定境界が小さくなり,クラスレベルでの精度の相違が生じること,2)学習過程における雑音増強の適用は,一貫性のない学習目的による縮小問題を必ずしも解決しない,という2つの主要なポイントを具体化し,証明する。
  論文  参考訳（メタデータ） (2020-03-02T23:37:42Z)

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。