論文の概要: A Practical Approach to using Supervised Machine Learning Models to Classify Aviation Safety Occurrences

• arxiv url: http://arxiv.org/abs/2504.09063v1
• Date: Sat, 12 Apr 2025 03:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:54:32.459343
• Title: A Practical Approach to using Supervised Machine Learning Models to Classify Aviation Safety Occurrences
• Title（参考訳）: 監視型機械学習モデルを用いた航空安全事故の分類
• Authors: Bryan Y. Siow,
• Abstract要約: 本稿では,教師付き機械学習(ML)モデルを用いて航空事故を事故または重大事故のカテゴリーに分類する実践的アプローチについて述べる。 現在,ML Webアプリケーションとして実装されている実装は,一般の航空調査報告から得られたデータセットに基づいて訓練されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper describes a practical approach of using supervised machine learning (ML) models to assist safety investigators to classify aviation occurrences into either incident or serious incident categories. Our implementation currently deployed as a ML web application is trained on a labelled dataset derived from publicly available aviation investigation reports. A selection of five supervised learning models (Support Vector Machine, Logistic Regression, Random Forest Classifier, XGBoost and K-Nearest Neighbors) were evaluated. This paper showed the best performing ML algorithm was the Random Forest Classifier with accuracy = 0.77, F1 Score = 0.78 and MCC = 0.51 (average of 100 sample runs). The study had also explored the effect of applying Synthetic Minority Over-sampling Technique (SMOTE) to the imbalanced dataset, and the overall observation ranged from no significant effect to substantial degradation in performance for some of the models after the SMOTE adjustment.
• Abstract（参考訳）: 本稿では、安全調査員が航空事故を事故または重大な事故のカテゴリーに分類するのを支援するために、教師付き機械学習(ML)モデルを用いた実践的アプローチについて述べる。 現在,ML Webアプリケーションとして実装されている実装は,航空調査報告から得られたラベル付きデータセットに基づいて訓練されている。 5つの教師付き学習モデル(Support Vector Machine, Logistic Regression, Random Forest Classifier, XGBoost, K-Nearest Neighbors)を選択した。 本稿では,確率0.77,F1スコア0.78,MCC0.51(平均100サンプル実行数)のランダムフォレスト分類器が最適であることを示す。 また,SMOTE調整後のモデルにおいて,非バランスデータセットに対するSMOTE(Synthetic Minority Over-Sampling Technique)の適用効果について検討した。

関連論文リスト

• Analysis of Zero Day Attack Detection Using MLP and XAI [0.0]
  本稿では、侵入検知システム(IDS)を構築するための機械学習(ML)とディープラーニング(DL)に基づくアプローチについて分析する。 KDD99データセットは、ゼロデイ攻撃を検出するために、すべてのデータセットの中で最も研究されている。 ベースラインMLモデル,重み付きMLモデル,重み付きMLモデル,重み付きMLモデルを含む,KDD99データセット上でトレーニングされた4層パーセプトロン(MLP)の性能を評価する。
  論文  参考訳（メタデータ） (2025-01-28T02:20:34Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• A LSTM and Cost-Sensitive Learning-Based Real-Time Warning for Civil Aviation Over-limit [0.0]
  QARデータ監視に基づいて,民間航空の過度限界に対するリアルタイム警告モデルを提案する。 提案モデルでは,F1スコアが0.991,精度が0.978であり,民間航空の過度なリアルタイム警告の有効性を示す。
  論文  参考訳（メタデータ） (2023-05-08T10:56:06Z)
• A Case Study on the Classification of Lost Circulation Events During Drilling using Machine Learning Techniques on an Imbalanced Large Dataset [0.0]
  イランのアザデガン油田から得られた65,000以上のデータと階級不均衡問題を利用する。 データセットの17のパラメータのうち11は、5つの失われた循環イベントの分類に使用される。 分類モデルを生成するために,6つの基本機械学習アルゴリズムと4つのアンサンブル学習手法を用いた。
  論文  参考訳（メタデータ） (2022-09-04T12:28:40Z)
• FairIF: Boosting Fairness in Deep Learning via Influence Functions with Validation Set Sensitive Attributes [51.02407217197623]
  本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。 サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。 FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-01-15T05:14:48Z)
• A Comprehensive Approach for UAV Small Object Detection with Simulation-based Transfer Learning and Adaptive Fusion [0.0]
  深層学習は、UAVオブジェクト検出に広く採用されているが、このトピックに関する研究は、データセットの量とUAVの小さなスケールによって制限されている。 これらの課題に対処するために,シミュレーションデータに基づく伝達学習と適応融合を組み合わせた新しい総合的なアプローチを提案する。 実験結果から,UAV物体検出における2.7%の性能向上につながるシミュレーションに基づく伝達学習の有効性が示された。
  論文  参考訳（メタデータ） (2021-09-04T06:27:13Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Towards Better Object Detection in Scale Variation with Adaptive Feature Selection [3.5352273012717044]
  チャネル次元の多レベル表現を融合する方法を自動学習する新しい適応的特徴選択モジュール(AFSM)を提案する。 これは、特徴ピラミッド構造を持つ検出器の性能を著しく向上させる。 クラス不均衡問題に対処するために,クラス対応サンプリング機構(CASM)を提案する。
  論文  参考訳（メタデータ） (2020-12-06T13:41:20Z)

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。