論文の概要: Deep Learning for Forensic Identification of Source

• arxiv url: http://arxiv.org/abs/2503.20994v1
• Date: Wed, 26 Mar 2025 21:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:54.139875
• Title: Deep Learning for Forensic Identification of Source
• Title（参考訳）: 情報源の法医学的同定のための深層学習
• Authors: Cole Patten, Christopher Saunders, Michael Puthawala,
• Abstract要約: 対照的なニューラルネットワークを用いて,NBIDEデータセットの144カートリッジケーシング間の有用な類似点を学習した。 類似度スコアはしばしば、共通だが未知の情報源パラダイムの下で証拠を解釈するために用いられる。
• 参考スコア（独自算出の注目度）: 1.5976170220566237
• License:
• Abstract: We used contrastive neural networks to learn useful similarity scores between the 144 cartridge casings in the NBIDE dataset, under the common-but-unknown source paradigm. The common-but-unknown source problem is a problem archetype in forensics where the question is whether two objects share a common source (e.g. were two cartridge casings fired from the same firearm). Similarity scores are often used to interpret evidence under this paradigm. We directly compared our results to a state-of-the-art algorithm, Congruent Matching Cells (CMC). When trained on the E3 dataset of 2967 cartridge casings, contrastive learning achieved an ROC AUC of 0.892. The CMC algorithm achieved 0.867. We also conducted an ablation study where we varied the neural network architecture; specifically, the network's width or depth. The ablation study showed that contrastive network performance results are somewhat robust to the network architecture. This work was in part motivated by the use of similarity scores attained via contrastive learning for standard evidence interpretation methods such as score-based likelihood ratios.
• Abstract（参考訳）: 我々は、NBIDEデータセットの144個のカートリッジケーシング間の有用な類似度スコアを、共通だが未知のソースパラダイムの下で学習するために、対照的なニューラルネットワークを使用した。 一般的だが未知のソース問題は、2つのオブジェクトが共通のソースを共有するかどうかという、法医学における問題のアーキタイプである(例えば、同じ銃器から発射された2つのカートリッジケーシングがある)。 類似度スコアは、しばしばこのパラダイムの下で証拠を解釈するために使用される。 得られた結果を直接,最先端のアルゴリズムである Congruent Matching Cells (CMC) と比較した。 2967カートリッジケーシングのE3データセットでトレーニングすると、対照的な学習はROC AUC 0.892を達成した。 CMCアルゴリズムは0.867を達成した。 また、ニューラルネットワークアーキテクチャ、特にネットワークの幅や深さを変化させるアブレーション調査も行いました。 アブレーション研究では、コントラスト的なネットワーク性能の結果がネットワークアーキテクチャに対して幾らか堅牢であることが示されている。 この研究は、スコアベースの可能性比のような標準的なエビデンス解釈手法に対して、対照的な学習によって達成された類似度スコアの使用によって部分的に動機づけられた。

関連論文リスト

• Generalization Analysis for Deep Contrastive Representation Learning [32.56004424242989]
  本稿では,Deep Contrastive Representation Learningフレームワークにおける教師なしリスクの限界について述べる。 我々は損失増大手法を用いて、行列ノルムへの依存性とネットワーク深さへの暗黙的依存を減らす。
  論文  参考訳（メタデータ） (2024-12-16T17:40:05Z)
• A Full DAG Score-Based Algorithm for Learning Causal Bayesian Networks with Latent Confounders [0.0]
  因果ベイズネットワーク(Causal Bayesian Network, CBN)は、変数間の因果関係を符号化する一般的なグラフィカル確率モデルである。 本稿では,DAGの空間を探索し,潜在する共同設立者の存在を識別できる,初めての完全スコアに基づく構造学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-20T20:25:56Z)
• When can we Approximate Wide Contrastive Models with Neural Tangent Kernels and Principal Component Analysis? [6.944372188747803]
  訓練されたコントラストモデルが実際にカーネルメソッドやPCAに対応するかどうかは不明である。 ニューラルネットワークがニューラル・タンジェント・カーネル(NTK)マシンと等価であることは、教師付き設定でよく知られている。 NTKのコンバージェンス結果のコンバージェンスを比較検討し,ニュアンス画像を提示する。
  論文  参考訳（メタデータ） (2024-03-13T16:25:55Z)
• Dual-Student Knowledge Distillation Networks for Unsupervised Anomaly Detection [2.06682776181122]
  学生教師ネットワーク(S-T)は教師なしの異常検出に好まれる。 しかし、バニラS-Tネットワークは安定ではない。 本稿では,新しい知識蒸留アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-02-01T09:32:39Z)
• Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
  本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。 内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。 また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
  論文  参考訳（メタデータ） (2022-06-20T16:32:49Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Deep Archimedean Copulas [98.96141706464425]
  ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。 我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
  論文  参考訳（メタデータ） (2020-12-05T22:58:37Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。