論文の概要: Comparative Study of Deep Learning Architectures for Textual Damage Level Classification

• arxiv url: http://arxiv.org/abs/2501.01694v1
• Date: Fri, 03 Jan 2025 08:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:11:19.912974
• Title: Comparative Study of Deep Learning Architectures for Textual Damage Level Classification
• Title（参考訳）: テキスト損傷レベル分類のためのディープラーニングアーキテクチャの比較検討
• Authors: Aziida Nanyonga, Hassan Wasswa, Graham Wild,
• Abstract要約: 本研究では、自然言語処理(NLP)とディープラーニングモデルを用いて、非構造化テキストの物語を分析することを目的とする。 LSTM, BLSTM, GRU, およびsRNN深層学習モデルを用いて, 安全発生時に発生する航空機の損傷レベルを分類する。 sRNNモデルはリコールと精度でトップパフォーマーとして登場し、驚くべき89%を誇った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Given the paramount importance of safety in the aviation industry, even minor operational anomalies can have significant consequences. Comprehensive documentation of incidents and accidents serves to identify root causes and propose safety measures. However, the unstructured nature of incident event narratives poses a challenge for computer systems to interpret. Our study aimed to leverage Natural Language Processing (NLP) and deep learning models to analyze these narratives and classify the aircraft damage level incurred during safety occurrences. Through the implementation of LSTM, BLSTM, GRU, and sRNN deep learning models, our research yielded promising results, with all models showcasing competitive performance, achieving an accuracy of over 88% significantly surpassing the 25% random guess threshold for a four-class classification problem. Notably, the sRNN model emerged as the top performer in terms of recall and accuracy, boasting a remarkable 89%. These findings underscore the potential of NLP and deep learning models in extracting actionable insights from unstructured text narratives, particularly in evaluating the extent of aircraft damage within the realm of aviation safety occurrences.
• Abstract（参考訳）: 航空業界における安全性の重要さを考えると、小さな運用上の異常さえも重大な結果をもたらす可能性がある。 事故や事故に関する包括的な文書は、根本原因を特定し、安全対策を提案するのに役立つ。 しかし、インシデントイベントの物語の非構造的な性質は、コンピュータシステムが解釈することを困難にしている。 本研究の目的は、自然言語処理(NLP)とディープラーニングモデルを用いて、これらの物語を分析し、安全発生時に発生する航空機の損傷レベルを分類することであった。 LSTM, BLSTM, GRU, およびsRNN深層学習モデルの実装により, 有望な結果を得た。 特に、sRNNモデルはリコールと精度でトップパフォーマーとして登場し、驚くべき89%を誇った。 これらの知見は,NLPおよび深層学習モデルが非構造的テキスト物語から実行可能な洞察を抽出する可能性,特に航空安全発生の領域における航空機の損傷の程度を評価することの可能性を浮き彫りにした。

関連論文リスト

• Phase of Flight Classification in Aviation Safety using LSTM, GRU, and BiLSTM: A Case Study with ASN Dataset [0.0]
  本研究の目的は,NLP技術を用いて,事故後の出来事の物語から飛行の段階を推定できるかどうかを判断することである。 各種深層学習モデルの分類性能を評価した。
  論文  参考訳（メタデータ） (2025-01-14T08:26:58Z)
• Natural Language Processing and Deep Learning Models to Classify Phase of Flight in Aviation Safety Occurrences [14.379311972506791]
  研究者らは、自然言語処理(NLP)と人工知能(AI)モデルを使用して、安全発生の飛行フェーズを分類するテキスト物語を処理した。 NTSBによる27,000件の安全発生レポートの初期データセットを用いて、ResNetとsRNNの2つのディープラーニングモデルの分類性能を評価した。
  論文  参考訳（メタデータ） (2025-01-11T15:02:49Z)
• Sequential Classification of Aviation Safety Occurrences with Natural Language Processing [14.379311972506791]
  安全事象を分類し分類する能力は、航空産業の利害関係者が情報的安全クリティカルな決定を下すのに役立つだろう。 各種深層学習モデルの分類性能を,NTSBによる27,000件の安全発生報告に基づいて評価した。
  論文  参考訳（メタデータ） (2025-01-11T09:23:55Z)
• Analyzing Aviation Safety Narratives with LDA, NMF and PLSA: A Case Study Using Socrata Datasets [0.0]
  本研究は,1908年から2009年までのソクラタデータセットにおけるトピックモデリング手法の適用について検討した。 この分析では、パイロットエラー、機械的故障、天候条件、訓練不足などの重要なテーマを特定した。 今後の方向性としては、追加のコンテキスト変数の統合、ニューラルトピックモデルの利用、航空安全プロトコルの強化などがある。
  論文  参考訳（メタデータ） (2025-01-03T08:14:39Z)
• Classification of Operational Records in Aviation Using Deep Learning Approaches [0.0]
  本研究では,商業・軍事・民間の分類課題におけるDP(深層学習)の4つのモデルの性能評価を行った。 モデルのうち、BLSTMは72%の最高精度を達成し、安定性とバランスの取れた分類において優れた性能を示した。 CNNとsRNNは67%と69%の低い精度を示し、プライベートクラスでは大きな誤分類があった。
  論文  参考訳（メタデータ） (2025-01-02T12:12:02Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• The BRAVO Semantic Segmentation Challenge Results in UNCV2024 [68.20197719071436]
  我々は,(1)モデルが様々な摂動にさらされたときの精度とキャリブレーションを反映したセマンティック信頼性,(2)トレーニング中に未知のオブジェクトクラスを検出する能力を測定するOOD信頼性の2つのカテゴリを定義した。 その結果、大規模事前学習と最小限のアーキテクチャ設計が、堅牢で信頼性の高いセマンティックセグメンテーションモデルを開発する上で重要であるという興味深い洞察が浮かび上がっている。
  論文  参考訳（メタデータ） (2024-09-23T15:17:30Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Certified Robustness Against Natural Language Attacks by Causal Intervention [61.62348826831147]
  Causal Intervention by Semantic Smoothing (CISS)は、自然言語攻撃に対する堅牢性に向けた新しい枠組みである。 CISSは単語置換攻撃に対して確実に堅牢であり、未知の攻撃アルゴリズムによって摂動が強化されたとしても経験的に堅牢である。
  論文  参考訳（メタデータ） (2022-05-24T19:20:48Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)

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。