論文の概要: Tailoring the Hyperparameters of a Wide-Kernel Convolutional Neural Network to Fit Different Bearing Fault Vibration Datasets
- arxiv url: http://arxiv.org/abs/2411.15191v1
- Date: Tue, 19 Nov 2024 09:17:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:22:34.413394
- Title: Tailoring the Hyperparameters of a Wide-Kernel Convolutional Neural Network to Fit Different Bearing Fault Vibration Datasets
- Title(参考訳): 広いカーネル畳み込みニューラルネットの過度パラメータによる異なる軸受断層振動データセットの調整
- Authors: Dan Hudson, Jurgen van den Hoogen, Martin Atzmueller,
- Abstract要約: 最先端のアルゴリズムは、健康な機械軸受や損傷を受けた機械軸受から発生する振動を識別するのにほぼ完璧であると報告されている。
しかし、新しいデータへの応用はどうだろう?
本稿では, 故障検出のためのニューラルネットワークが, 誤パラメータ化によって損なわれることを確認できる。
- 参考スコア(独自算出の注目度): 0.10241134756773229
- License:
- Abstract: State-of-the-art algorithms are reported to be almost perfect at distinguishing the vibrations arising from healthy and damaged machine bearings, according to benchmark datasets at least. However, what about their application to new data? In this paper, we are able to confirm that neural networks for bearing fault detection can be crippled by incorrect hyperparameterisation, and also that the correct hyperparameter settings can actually change when transitioning to new data. The paper weaves together multiple methods to explain the behaviour of the hyperparameters of a wide-kernel convolutional neural network and how to set them. Since guidance already exists for generic hyperparameters like minibatch size, we focus on how to set architecture-specific hyperparameters such as the width of the convolutional kernels, a topic which might otherwise be obscure. We reflect different data properties by fusing information from seven different benchmark datasets, and our results show that the kernel size in the first layer in particular is sensitive to changes in the data. Looking deeper, we use manipulated copies of one dataset in an attempt to spot why the kernel size sometimes needs to change. The relevance of sampling rate is studied by using different levels of resampling, and spectral content is studied by increasingly filtering out high frequencies. At the end of our paper we conclude by stating clear guidance on how to set the hyperparameters of our neural network architecture.
- Abstract(参考訳): 少なくともベンチマークデータセットによると、最先端のアルゴリズムは、健康な機械軸受や損傷を受けた機械軸受から発生する振動を識別するのにほぼ完璧だと報告されている。
しかし、新しいデータへの応用はどうでしょう?
本稿では,故障検出のためのニューラルネットワークが不正な過パラメータ化によって損なわれることを確認するとともに,新しいデータに移行する際には,正しい過パラメータ設定が実際に変更可能であることを確認する。
この論文は、広カーネル畳み込みニューラルネットワークのハイパーパラメータの挙動とその設定方法を説明するために、複数の手法を編み出した。
ミニバッチサイズなどの一般的なハイパーパラメータに対するガイダンスはすでに存在するので、畳み込みカーネルの幅などのアーキテクチャ固有のハイパーパラメータの設定方法に注目する。
我々は、7つの異なるベンチマークデータセットから情報を抽出することで異なるデータ特性を反映し、その結果、特に第1層のカーネルサイズがデータの変化に敏感であることを示す。
さらに詳しく見てみると、カーネルのサイズを変える必要がある理由を見つけるために、1つのデータセットの操作されたコピーを使用します。
サンプリングレートの関連性は, 異なるサンプリングレベルを用いて検討し, 高周波数のフィルタリングによりスペクトル含量について検討した。
論文の最後には、ニューラルネットワークアーキテクチャのハイパーパラメータの設定方法について、明確なガイダンスを述べて結論付けています。
関連論文リスト
- NIDS Neural Networks Using Sliding Time Window Data Processing with Trainable Activations and its Generalization Capability [0.0]
本稿では,ネットワーク侵入検知システム(NIDS)のためのニューラルネットワークについて述べる。
ディープパケットインスペクションに頼らず、ほとんどのNIDSデータセットで見つからず、従来のフローコレクタから簡単に取得できる11の機能しか必要としない。
報告されたトレーニング精度は、提案手法の99%を超え、ニューラルネットワークの入力特性は20に満たない。
論文 参考訳(メタデータ) (2024-10-24T11:36:19Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Linking convolutional kernel size to generalization bias in face
analysis CNNs [9.030335233143603]
本稿では,アーキテクチャ上のハイパーパラメータとアウト・オブ・ディストリビューションアルゴリズムのバイアスを関連付けるための因果的枠組みを提案する。
本実験では,畳み込みカーネルサイズと顔解析の分類バイアスの因果関係の測定に焦点をあてた。
CNNの1層であっても、カーネルサイズを変更することで、学習した特徴の周波数内容がデータサブグループ間で著しく変化することを示す。
論文 参考訳(メタデータ) (2023-02-07T20:55:09Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient
Hyper-parameter Tuning [72.54359545547904]
ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。
ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-03-15T19:25:01Z) - Robust Scatterer Number Density Segmentation of Ultrasound Images [2.599882743586164]
定量的超音波(QUS)は、臨床スキャナーからの後方散乱エコー信号を用いて組織組織に関する情報を明らかにすることを目的としている。
散乱器数密度は、他のQUSパラメータの推定に影響を与える重要な特性である。
セグメンテーションタスクには畳み込みニューラルネットワーク(CNN)を用い、異なるデータセット上でネットワークをテストした場合のドメインシフトの影響について検討する。
論文 参考訳(メタデータ) (2022-01-16T22:08:47Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳(メタデータ) (2021-08-23T21:03:09Z) - Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。
ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。
ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
論文 参考訳(メタデータ) (2021-04-12T16:23:37Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳(メタデータ) (2021-04-03T09:08:12Z) - Ensembled sparse-input hierarchical networks for high-dimensional
datasets [8.629912408966145]
サンプルサイズが小さい環境では,高密度ニューラルネットワークが実用的なデータ解析ツールであることを示す。
提案手法は,L1-ペナルティパラメータを2つだけ調整することで,ネットワーク構造を適切に調整する。
EASIER-netは、異なるサイズの実世界のデータセットのコレクションにおいて、データ適応方式でネットワークアーキテクチャを選択し、平均的なオフザシェルフ手法よりも高い予測精度を達成した。
論文 参考訳(メタデータ) (2020-05-11T02:08:53Z) - A Hybrid Objective Function for Robustness of Artificial Neural Networks
-- Estimation of Parameters in a Mechanical System [0.0]
本稿では,加速度プロファイルに基づく機械車両モデルのパラメータ推定の課題について考察する。
未知のパラメータが異なる車両モデル群に対するパラメータを予測できる畳み込みニューラルネットワークアーキテクチャを導入する。
論文 参考訳(メタデータ) (2020-04-16T15:06:43Z)
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。