Fugu-MT 論文翻訳(概要): Data integrity vs. inference accuracy in large AIS datasets

論文の概要: Data integrity vs. inference accuracy in large AIS datasets

arxiv url: http://arxiv.org/abs/2501.03358v1
Date: Mon, 06 Jan 2025 19:58:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-08 15:49:54.459778
Title: Data integrity vs. inference accuracy in large AIS datasets
Title（参考訳）: 大規模AISデータセットにおけるデータの完全性と推論精度
Authors: Adam Kiersztyn, Dariusz Czerwiński, Aneta Oniszczuk-Jastrzabek, Ernest Czermański, Agnieszka Rzepka,
Abstract要約: 本稿では,大規模AISデータセットにおけるデータの完全性が分類精度に与える影響を解析する。また、AISシステムの信頼性を向上させるためのer-ror検出・補正方法とデータ検証手法も提示する。
参考スコア（独自算出の注目度）: 1.019446914776079
License:
Abstract: Automatic Ship Identification Systems (AIS) play a key role in monitoring maritime traffic, providing the data necessary for analysis and decision-making. The integrity of this data is fundamental to the correctness of infer-ence and decision-making in the context of maritime safety, traffic manage-ment and environmental protection. This paper analyzes the impact of data integrity in large AIS datasets, on classification accuracy. It also presents er-ror detection and correction methods and data verification techniques that can improve the reliability of AIS systems. The results show that improving the integrity of AIS data significantly improves the quality of inference, which has a direct impact on operational efficiency and safety at sea.
Abstract（参考訳）: 自動船舶識別システム(AIS)は海上交通の監視において重要な役割を担い、分析と意思決定に必要なデータを提供する。このデータの完全性は、海上安全、交通管理、環境保護の観点からの推論と意思決定の正しさに基礎を置いている。本稿では,大規模AISデータセットにおけるデータの完全性が分類精度に与える影響を解析する。また、AISシステムの信頼性を向上させるためのer-ror検出・補正方法とデータ検証手法も提示する。その結果,AISデータの整合性の向上は推論の質を著しく向上させ,海洋での運用効率と安全性に直接的な影響を与えることが明らかとなった。

関連論文リスト

Uncertainty-based Offline Variational Bayesian Reinforcement Learning for Robustness under Diverse Data Corruptions [8.666879925570331]
実世界のオフラインデータセットは、しばしばセンサーの故障や悪意のある攻撃によるデータ破損にさらされる。既存の手法は、破損したデータによって引き起こされる高い不確実性の下で堅牢なエージェントを学ぶのに苦労している。オフラインRL(TRACER)に対するロバストな変分ベイズ推定法を提案する。
論文参考訳（メタデータ） (2024-11-01T09:28:24Z)
Importance-Aware Adaptive Dataset Distillation [53.79746115426363]
ディープラーニングモデルの開発は、大規模データセットの可用性によって実現されている。データセットの蒸留は、大きな元のデータセットから必須情報を保持するコンパクトなデータセットを合成することを目的としている。本稿では, 蒸留性能を向上する重要適応型データセット蒸留(IADD)法を提案する。
論文参考訳（メタデータ） (2024-01-29T03:29:39Z)
ECS -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
データ品質の保証のための新しいアプローチを提案する。この目的のために、まず数学的基礎を議論し、そのアプローチを複数の例を用いて提示する。これにより、安全クリティカルなシステムにおいて、潜在的に有害な特性を持つデータポイントが検出される。
論文参考訳（メタデータ） (2023-07-10T06:49:18Z)
Towards High-Performance Exploratory Data Analysis (EDA) Via Stable Equilibrium Point [5.825190876052149]
我々は,EDAの効率とソリューション品質を改善するための安定平衡点(SEP)ベースのフレームワークを導入する。提案手法の非常にユニークな特性は、SEPがデータセットのクラスタリング特性を直接符号化することである。
論文参考訳（メタデータ） (2023-06-07T13:31:57Z)
Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文参考訳（メタデータ） (2022-10-03T08:38:38Z)
Generalized but not Robust? Comparing the Effects of Data Modification Methods on Out-of-Domain Generalization and Adversarial Robustness [27.868217989276797]
我々は、共通データ修正戦略について検討し、そのドメイン内および敵対的ロバスト性を評価する。以上の結果から,OODの精度とARの両面で,より多くのデータ(追加のデータセットやデータ拡張)が有用であることが示唆された。しかし、データフィルタリングは質問応答や画像分類といった他のタスクのOOD精度を損なう。
論文参考訳（メタデータ） (2022-03-15T05:32:44Z)
Vessel and Port Efficiency Metrics through Validated AIS data [0.0]
本稿では,AISデータの誤検出と修正を行う機械学習に基づくデータ駆動手法を提案する。また,船舶運用者や港湾業者が,その事業と環境効率を数値的に表現するための指標を提案する。
論文参考訳（メタデータ） (2021-04-30T19:51:51Z)
Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文参考訳（メタデータ） (2020-11-26T18:51:26Z)
The Impact of Data on the Stability of Learning-Based Control- Extended Version [63.97366815968177]
本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
論文参考訳（メタデータ） (2020-11-20T19:10:01Z)
Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-22T14:49:33Z)
On the Role of Dataset Quality and Heterogeneity in Model Confidence [27.657631193015252]
安全クリティカルなアプリケーションは、正確で校正された確率を出力する機械学習モデルを必要とする。未分類のディープネットワークは、過度に信頼された予測をすることが知られている。本研究では,データセットサイズとラベルノイズがモデルの信頼性に与える影響について検討した。
論文参考訳（メタデータ） (2020-02-23T05:13:12Z)

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。