論文の概要: NeuralPrefix: A Zero-shot Sensory Data Imputation Plugin

• arxiv url: http://arxiv.org/abs/2502.05883v1
• Date: Sun, 09 Feb 2025 12:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:36:20.013884
• Title: NeuralPrefix: A Zero-shot Sensory Data Imputation Plugin
• Title（参考訳）: NeuralPrefix: ゼロショットの知覚データインプットプラグイン
• Authors: Abdelwahed Khamis, Sara Khalifa,
• Abstract要約: 我々はゼロショット計算の概念を定式化し、事前学習されたモデルのデータ間欠性を扱うための新しいアプローチを提案する。 このフレームワークはNeuralPrefixと呼ばれ、推論中にタスクモデルに先行する生成的ニューラルネットワークコンポーネントである。 我々は,複数の知覚データセットに対するNeuralPrefixの総合評価を行い,その有効性を示す。
• 参考スコア（独自算出の注目度）: 1.8416014644193066
• License:
• Abstract: Real-world sensing challenges such as sensor failures, communication issues, and power constraints lead to data intermittency. An issue that is known to undermine the traditional classification task that assumes a continuous data stream. Previous works addressed this issue by designing bespoke solutions (i.e. task-specific and/or modality-specific imputation). These approaches, while effective for their intended purposes, had limitations in their applicability across different tasks and sensor modalities. This raises an important question: Can we build a task-agnostic imputation pipeline that is transferable to new sensors without requiring additional training? In this work, we formalise the concept of zero-shot imputation and propose a novel approach that enables the adaptation of pre-trained models to handle data intermittency. This framework, named NeuralPrefix, is a generative neural component that precedes a task model during inference, filling in gaps caused by data intermittency. NeuralPrefix is built as a continuous dynamical system, where its internal state can be estimated at any point in time by solving an Ordinary Differential Equation (ODE). This approach allows for a more versatile and adaptable imputation method, overcoming the limitations of task-specific and modality-specific solutions. We conduct a comprehensive evaluation of NeuralPrefix on multiple sensory datasets, demonstrating its effectiveness across various domains. When tested on intermittent data with a high 50% missing data rate, NeuralPreifx accurately recovers all the missing samples, achieving SSIM score between 0.93-0.96. Zero-shot evaluations show that NeuralPrefix generalises well to unseen datasets, even when the measurements come from a different modality.
• Abstract（参考訳）: センサーの故障、通信の問題、電力制約といった現実世界のセンサーの課題は、データの断続性につながる。 継続的データストリームを前提とする従来の分類タスクを損なうことが知られている問題。 従来の研究は、タスク固有および/またはモダリティ固有計算(英語版))を設計することでこの問題に対処した。 これらのアプローチは、意図した目的のために有効であるが、異なるタスクやセンサーのモダリティにまたがる適用性に制限があった。 追加のトレーニングを必要とせずに、新しいセンサーに転送可能なタスク非依存の計算パイプラインを構築できるだろうか? 本研究では,ゼロショット計算の概念を定式化し,事前学習したモデルのデータの断続性を扱えるような新しい手法を提案する。 このフレームワークはNeuralPrefixと呼ばれ、推論中にタスクモデルに先行し、データ間欠性によって引き起こされるギャップを埋める生成的ニューラルネットワークコンポーネントである。 NeuralPrefixは連続力学系として構築されており、通常の微分方程式(ODE)を解くことで内部状態を任意の時点で推定することができる。 このアプローチにより、タスク固有およびモダリティ固有解の制限を克服し、より汎用的で適応可能な計算法が実現される。 我々は,複数の知覚データセットに対するNeuralPrefixの総合的な評価を行い,その有効性を示す。 50%の欠落率を持つ断続データでテストした場合、NeuralPreifxは、すべての欠落したサンプルを正確に回収し、0.93-0.96のSSIMスコアを達成している。 ゼロショット評価によると、NeuralPrefixは、測定が異なるモードから来る場合でも、目に見えないデータセットにうまく一般化する。

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)
• Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Temporal Decisions: Leveraging Temporal Correlation for Efficient Decisions in Early Exit Neural Networks [4.343246899774834]
  本稿では,早期排他ニューラルネットワークの決定機構としての差分検出と時間パタンスについて述べる。 健康モニタリング、画像分類、ウェイクワード検出タスクにおけるそれらの効果を評価する。 推定平均演算を最大80%削減し,元のモデルの5%以内の精度を維持した。
  論文  参考訳（メタデータ） (2024-03-12T08:28:27Z)
• Functional data learning using convolutional neural networks [0.0]
  本稿では、回帰学習や分類学習において、畳み込みニューラルネットワークがどのように使用できるかを示す。 我々は、畳み込みニューラルネットワークの特定のが典型的なアーキテクチャを使って、すべての回帰演習を行います。 この手法は単純ではあるが精度が高く、将来は工学や医学への応用が期待できる。
  論文  参考訳（メタデータ） (2023-10-05T04:46:52Z)
• On the ISS Property of the Gradient Flow for Single Hidden-Layer Neural Networks with Linear Activations [0.0]
  本研究では,不確かさが勾配推定に及ぼす影響について検討した。 一般の過度にパラメータ化された定式化は、損失関数が最小化される集合の外側に配置されるスプリアス平衡の集合を導入することを示す。
  論文  参考訳（メタデータ） (2023-05-17T02:26:34Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)

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。