Fugu-MT 論文翻訳(概要): Sliced-Wasserstein-based Anomaly Detection and Open Dataset for Localized Critical Peak Rebates

論文の概要: Sliced-Wasserstein-based Anomaly Detection and Open Dataset for Localized Critical Peak Rebates

arxiv url: http://arxiv.org/abs/2410.21712v2
Date: Sun, 01 Dec 2024 03:54:57 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-03 21:01:15.814439
Title: Sliced-Wasserstein-based Anomaly Detection and Open Dataset for Localized Critical Peak Rebates
Title（参考訳）: Sliced-Wasserstein-based Anomaly Detection and Open Dataset for Localized critical Peak Rebates
Authors: Julien Pallage, Bertrand Scherrer, Salma Naccache, Christophe Bélanger, Antoine Lesage-Landry,
Abstract要約: 我々はスライス-ワッサーシュタイン計量を用いた新しい教師なし異常検出法(AD)を提案する。このフィルタリング技術は、機械学習モデルを重要なセクターにデプロイするMLOpsパイプラインにおいて、概念的に興味深い。
参考スコア（独自算出の注目度）: 25.452449432754698
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we present a new unsupervised anomaly (outlier) detection (AD) method using the sliced-Wasserstein metric. This filtering technique is conceptually interesting for MLOps pipelines deploying machine learning models in critical sectors, e.g., energy, as it offers a conservative data selection. Additionally, we open the first dataset showcasing localized critical peak rebate demand response in a northern climate. We demonstrate the capabilities of our method on synthetic datasets as well as standard AD datasets and use it in the making of a first benchmark for our open-source localized critical peak rebate dataset.
Abstract（参考訳）: 本研究では,スライス・ワッサーシュタイン計量を用いた新しい教師なし異常検出法(AD)を提案する。このフィルタリング技術は、機械学習モデルを重要なセクター、例えばエネルギーにデプロイするMLOpsパイプラインにおいて、保守的なデータ選択を提供するため、概念的に興味深い。さらに、北の気候における局地的臨界ピークリベート需要応答を示す最初のデータセットを開設した。合成データセットと標準ADデータセットに本手法の機能を実証し、オープンソースでローカライズされた臨界ピークリベートデータセットの最初のベンチマークを作成する際に使用する。

関連論文リスト

Sliced-Wasserstein Distance-based Data Selection [0.0]
本稿では,スライス-ワッサーシュタイン距離に基づく新しい教師なし異常検出手法を提案する。私たちのフィルタリング技術は、重要な分野に機械学習モデルをデプロイする意思決定パイプラインにとって興味深いものです。提案手法の合成データセットに対するフィルタリングパターンについて述べるとともに,データ選択の訓練のための数値的ベンチマークを行う。
論文参考訳（メタデータ） (2025-04-17T13:07:26Z)
CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
大規模音声データセットは貴重な知的財産となった。本稿では,新しいデータセットのオーナシップ検証手法を提案する。我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
論文参考訳（メタデータ） (2025-03-02T02:02:57Z)
Personalized Federated Learning via Active Sampling [50.456464838807115]
本稿では,類似した(あるいは関連する)データジェネレータを逐次同定する手法を提案する。本手法は,局所的なデータセットを用いて勾配ステップの効果を評価することにより,データ生成の関連性を評価する。データ生成器が提供する局所的データセットを用いて仮説を更新するために、勾配ステップの適切な一般化により、この手法を非パラメトリックモデルに拡張する。
論文参考訳（メタデータ） (2024-09-03T17:12:21Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Self-Supervised Learning for User Localization [8.529237718266042]
機械学習技術は、ローカライゼーションタスクにおいて顕著な精度を示している。大量のラベル付きデータ、特にChannel State Information(CSI)およびそれに対応する座標への依存は、依然としてボトルネックである。 CSIに基づくユーザローカライゼーションのための教師付き学習性能を高めるために,ラベルなしデータによる自己教師付き事前学習を活用する先駆的手法を提案する。
論文参考訳（メタデータ） (2024-04-19T21:49:10Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文参考訳（メタデータ） (2023-10-10T10:48:52Z)
Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文参考訳（メタデータ） (2023-07-07T04:03:48Z)
Unlocking the Use of Raw Multispectral Earth Observation Imagery for Onboard Artificial Intelligence [3.3810628880631226]
本研究は,ターゲットイベントの検出のためのデータセット作成を自動化する新しい手法を提案する。提案手法は、まず、空間帯域登録とジオレファレンスからなるパイプラインを適用することにより、生データを処理する。 Level-1C製品上で、イベント固有の最先端アルゴリズムを活用することで、ターゲットイベントを検出する。本研究では,温熱ホットスポットを含むSentinel-2生データの最初のデータセットであるTHRawS (Thermal Hotspots in Raw Sentinel-2 data) を実現するために提案手法を適用した。
論文参考訳（メタデータ） (2023-05-12T09:54:21Z)
One-Stage Cascade Refinement Networks for Infrared Small Target Detection [21.28595135499812]
SIRST(Single-frame InfraRed Small Target)検出は、固有の特性の欠如による課題である。実世界の高解像度単一フレームターゲットのSIRST-V2データセットからなる赤外線小ターゲット検出のための新しい研究ベンチマークを提案する。
論文参考訳（メタデータ） (2022-12-16T13:37:23Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
Augment & Valuate : A Data Enhancement Pipeline for Data-Centric AI [19.358073575300004]
ブラックボックスモデルを用いたデータセットの基本分布特性と意味特性に対処するデータ中心型手法を提案する。データ中心AIコンペティションにおいて、提供されたデータセットのみで84.711%のテスト精度(6位、最もイノベーティブなメンション)を達成する。
論文参考訳（メタデータ） (2021-12-07T17:22:44Z)
A Competitive Method to VIPriors Object Detection Challenge [13.024811732127615]
本稿では,vipriors object detection challengeへの提案の技術的詳細を紹介する。本稿では,bbox-jitter, grid-mask,mix-upを含むデータ問題に対処する効果的なデータ拡張手法を提案する。また、より重要なROI機能を学ぶために、堅牢な関心領域(ROI)抽出方法も提示します。
論文参考訳（メタデータ） (2021-04-19T05:33:39Z)
DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文参考訳（メタデータ） (2020-11-03T07:49:15Z)
Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文参考訳（メタデータ） (2020-09-01T15:08:23Z)

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。