論文の概要: Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty
- arxiv url: http://arxiv.org/abs/2503.23258v1
- Date: Sun, 30 Mar 2025 00:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 19:35:57.018832
- Title: Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty
- Title（参考訳）: モデル不確実性に基づくデータ駆動型水中音源ラウンジの連成音源環境適応
- Authors: Dariush Kari, Hari Vishnu, Andrew C. Singer,
- Abstract要約: 事前学習されたディープラーニングモデルを新しい未知の環境に適用することは、水中の音像定位において難しい課題である。
事前トレーニングされたモデルは、トレーニングデータとテストデータのミスマッチに苦しむパフォーマンスを持つが、一般的に、ミスマッチがより多い環境では、より高いインプリード不確実性を示す'。
本研究では,モデル予測の不確かさの定量化に有効な手法と,事前学習したモデルがテスト時に見つからない水中環境に適応するための革新的なアプローチを用いる。
- 参考スコア（独自算出の注目度）: 4.2671394819888455
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Adapting pre-trained deep learning models to new and unknown environments is a difficult challenge in underwater acoustic localization. We show that although pre-trained models have performance that suffers from mismatch between the training and test data, they generally exhibit a higher ``implied uncertainty'' in environments where there is more mismatch. Leveraging this notion of implied uncertainty, we partition the test samples into more certain and less certain sets, and implement an estimation method using the certain samples to improve the labeling for uncertain samples, which helps to adapt the model. We use an efficient method to quantify model prediction uncertainty, and an innovative approach to adapt a pre-trained model to unseen underwater environments at test time. This eliminates the need for labeled data from the target environment or the original training data. This adaptation is enhanced by integrating an independent estimate based on the received signal energy. We validate the approach extensively using real experimental data, as well as synthetic data consisting of model-generated signals with real ocean noise. The results demonstrate significant improvements in model prediction accuracy, underscoring the potential of the method to enhance underwater acoustic localization in diverse, noisy, and unknown environments.
- Abstract（参考訳）: 事前学習されたディープラーニングモデルを新しい未知の環境に適用することは、水中の音像定位において難しい課題である。
事前トレーニングされたモデルには,トレーニングデータとテストデータとのミスマッチに苦しむパフォーマンスがあるが,一般的には,ミスマッチがより多い環境では,より高い‘単純な不確実性’を示す。
インプリート不確実性の概念を活用することで、テストサンプルをより確実かつ少ない一定の集合に分割し、特定のサンプルを用いて不確実なサンプルのラベル付けを改善する推定方法を実装し、モデルの適応に役立てる。
本研究では,モデル予測の不確かさの定量化に有効な手法と,事前学習したモデルがテスト時に見つからない水中環境に適応するための革新的なアプローチを用いる。
これにより、ターゲット環境やオリジナルのトレーニングデータからラベル付きデータを不要にすることができる。
この適応は、受信した信号エネルギーに基づいて独立した推定値を統合することで強化される。
実際の実験データと、実際の海洋騒音を伴うモデル生成信号からなる合成データを用いて、アプローチを広範囲に検証する。
その結果, 各種, 騒音, 未知環境における水中音像定位を向上する手法の可能性について, モデル予測精度を大幅に向上させた。
関連論文リスト
- Modeling of AUV Dynamics with Limited Resources: Efficient Online Learning Using Uncertainty [9.176056742068814]
本研究では,記憶容量の制約によるオンライン学習におけるリハーサルのためのデータポイントの選択における不確実性の利用について検討する。
本稿では, 特定の閾値以下で不確実なサンプルを除外するThreshold法, 保存点間の不確実性を最大化するために設計されたGreedy法, 以前の2つのアプローチを組み合わせたThreshold-Greedyの3つの新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-04-06T18:48:55Z) - Joint Source-Environment Adaptation for Deep Learning-Based Underwater Acoustic Source Ranging [4.795837146925278]
本研究では,水中音像定位のための事前学習型深層学習モデルを提案する。
教師なし領域適応を用いてモデルの一般化性能を向上させる。
SWellEx-96実験と同様の環境下でのベルホップ生成データに対するこのアプローチの有効性を示す。
論文 参考訳（メタデータ） (2025-03-30T00:32:51Z) - Federated Learning with Sample-level Client Drift Mitigation [15.248811557566128]
Federated Learningは、クライアント間のデータの不均一性によって、パフォーマンスが大幅に低下する。
本稿では,まず不均一性問題をサンプルレベルで緩和するFedBSSを提案する。
また,特徴分布とノイズラベルデータセット設定の効果的な結果を得た。
論文 参考訳（メタデータ） (2025-01-20T09:44:07Z) - Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Unmasking Bias in Diffusion Model Training [40.90066994983719]
拡散モデルが画像生成の主流のアプローチとして登場した。
トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。
本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
論文 参考訳（メタデータ） (2023-10-12T16:04:41Z) - Continual Test-time Domain Adaptation via Dynamic Sample Selection [38.82346845855512]
本稿では,連続テスト時間領域適応(CTDA)のための動的サンプル選択法を提案する。
誤情報を誤用するリスクを低減するため,高品質と低品質の両方のサンプルに共同正負の学習を適用した。
私たちのアプローチは3Dポイントのクラウドドメインでも評価されており、その汎用性とより広範な適用可能性を示している。
論文 参考訳（メタデータ） (2023-10-05T06:35:21Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - Towards Robust Waveform-Based Acoustic Models [41.82019240477273]
本研究では,実験条件とトレーニング条件のミスマッチを特徴とする,ロバストな音響モデル学習手法を提案する。
本手法は,入力空間上の経験的密度を定義するデルタ関数を,トレーニングサンプル近傍の限界人口密度の近似で置き換えることにより,トレーニング中のリスク推定を改善することを目的としている。
論文 参考訳（メタデータ） (2021-10-16T18:21:34Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。