論文の概要: Missing Data as Augmentation in the Earth Observation Domain: A Multi-View Learning Approach
- arxiv url: http://arxiv.org/abs/2501.01132v1
- Date: Thu, 02 Jan 2025 08:17:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 16:54:32.20214
- Title: Missing Data as Augmentation in the Earth Observation Domain: A Multi-View Learning Approach
- Title（参考訳）: 地球観測領域におけるデータの欠落 : 多視点学習アプローチ
- Authors: Francisco Mena, Diego Arenas, Andreas Dengel,
- Abstract要約: マルチビュー学習(MVL)は、複数のソースやデータのビューを活用して、機械学習モデルの性能と堅牢性を向上させる。
本研究では,地球観測のための新しい手法について紹介する。
提案手法は,異なるトレーニングサンプルとして,欠落したビューのすべての組み合わせをシミュレートするために,セットの組み合わせを統合する。
これによりMVLモデルは、欠落したビューを完全に無視し、予測的堅牢性を高めることができる。
- 参考スコア（独自算出の注目度）: 5.143097874851516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-view learning (MVL) leverages multiple sources or views of data to enhance machine learning model performance and robustness. This approach has been successfully used in the Earth Observation (EO) domain, where views have a heterogeneous nature and can be affected by missing data. Despite the negative effect that missing data has on model predictions, the ML literature has used it as an augmentation technique to improve model generalization, like masking the input data. Inspired by this, we introduce novel methods for EO applications tailored to MVL with missing views. Our methods integrate the combination of a set to simulate all combinations of missing views as different training samples. Instead of replacing missing data with a numerical value, we use dynamic merge functions, like average, and more complex ones like Transformer. This allows the MVL model to entirely ignore the missing views, enhancing its predictive robustness. We experiment on four EO datasets with temporal and static views, including state-of-the-art methods from the EO domain. The results indicate that our methods improve model robustness under conditions of moderate missingness, and improve the predictive performance when all views are present. The proposed methods offer a single adaptive solution to operate effectively with any combination of available views.
- Abstract（参考訳）: マルチビュー学習(MVL)は、複数のソースやデータのビューを活用して、機械学習モデルの性能と堅牢性を向上させる。
このアプローチは地球観測(EO)領域で成功しており、ビューは不均一な性質を持ち、欠落データの影響を受けやすい。
欠落したデータがモデル予測に負の影響があるにもかかわらず、ML文献では、入力データのマスキングのようなモデル一般化を改善するために、これを拡張テクニックとして使用している。
そこで本研究では,MVLに適したEOアプリケーションのための新しい手法を提案する。
提案手法は,異なるトレーニングサンプルとして,欠落したビューのすべての組み合わせをシミュレートするために,セットの組み合わせを統合する。
欠落したデータを数値で置き換える代わりに、平均のような動的マージ関数と、Transformerのようなより複雑な関数を使います。
これによりMVLモデルは、欠落したビューを完全に無視し、予測的堅牢性を高めることができる。
我々は、EOドメインの最先端メソッドを含む、時間的および静的なビューを持つ4つのEOデータセットを実験する。
その結果, 適度な欠損条件下でのモデルロバスト性の向上と, 全てのビューが存在する場合の予測性能の向上が示唆された。
提案手法は、利用可能なビューの組み合わせで効果的に動作する単一の適応型ソリューションを提供する。
関連論文リスト
- Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
実世界のマルチビューデータセットは、しばしば不均一で不完全である。
本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。
実験では、教師なしマルチビュークラスタリング、ノイズラベル分類、およびクロスモーダルハッシュ検索のためのプラグ・アンド・プレイモジュールとして採用する。
論文 参考訳（メタデータ） (2025-03-06T07:01:08Z) - A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。
まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。
次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
論文 参考訳（メタデータ） (2024-08-05T23:20:32Z) - Towards Better Modeling with Missing Data: A Contrastive Learning-based
Visual Analytics Perspective [7.577040836988683]
データ不足は機械学習(ML)モデリングの課題となる可能性がある。
現在のアプローチは、特徴計算とラベル予測に分類される。
本研究は、観測データに欠落した値でモデル化するコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T13:16:24Z) - Multi-View Class Incremental Learning [57.14644913531313]
マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。
本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
論文 参考訳（メタデータ） (2023-06-16T08:13:41Z) - EnfoMax: Domain Entropy and Mutual Information Maximization for Domain
Generalized Face Anti-spoofing [0.0]
Face Anti-Spoofing (FAS) 法はドメイン内の設定でよく機能する。
ドメイン一般化(DG)法はFASにおいて注目されている。
本稿では,情報理論を用いてドメイン間FASタスクを解析するEnfoMaxフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-17T03:54:18Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳（メタデータ） (2022-09-30T15:01:35Z) - Using Explainable Boosting Machine to Compare Idiographic and Nomothetic
Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。
木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。
2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
論文 参考訳（メタデータ） (2022-04-04T17:56:37Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Uncorrelated Semi-paired Subspace Learning [7.20500993803316]
一般化された非相関なマルチビューサブスペース学習フレームワークを提案する。
フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。
提案するモデルは,ベースラインよりも競争力が高い。
論文 参考訳（メタデータ） (2020-11-22T22:14:20Z)
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。