Fugu-MT 論文翻訳(概要): Pre-, In-, and Post-Processing Class Imbalance Mitigation Techniques for Failure Detection in Optical Networks

論文の概要: Pre-, In-, and Post-Processing Class Imbalance Mitigation Techniques for Failure Detection in Optical Networks

arxiv url: http://arxiv.org/abs/2507.21119v1
Date: Thu, 17 Jul 2025 16:08:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-03 20:19:02.896698
Title: Pre-, In-, and Post-Processing Class Imbalance Mitigation Techniques for Failure Detection in Optical Networks
Title（参考訳）: 光ネットワークにおける故障検出のための前・後・後・段階不均衡除去技術
Authors: Yousuf Moiz Ali, Jaroslaw E. Prilepsky, Nicola Sambo, João Pedro, Mohammad M. Hosseini, Antonio Napoli, Sergei K. Turitsyn, Pedro Freire,
Abstract要約: 光ネットワーク障害検出におけるクラス不均衡緩和のための前処理, 内処理, 後処理技術の比較を行った。 Threshold AdjustmentはF1の最高利得(15.3%)を達成し、Random Under-Sampling(RUS)はパフォーマンス・複雑さのトレードオフを浮き彫りにしている。
参考スコア（独自算出の注目度）: 4.61291011940226
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We compare pre-, in-, and post-processing techniques for class imbalance mitigation in optical network failure detection. Threshold Adjustment achieves the highest F1 gain (15.3%), while Random Under-sampling (RUS) offers the fastest inference, highlighting a key performance-complexity trade-off.
Abstract（参考訳）: 光ネットワーク障害検出におけるクラス不均衡緩和のための前処理, 内処理, 後処理技術の比較を行った。 Threshold AdjustmentはF1の最高利得(15.3%)を達成し、Random Under-Sampling(RUS)はパフォーマンス・複雑さのトレードオフを浮き彫りにしている。

関連論文リスト

Efficient Attention via Pre-Scoring: Prioritizing Informative Keys in Transformers [3.7396758752358465]
HyperAttentionは、単一レベルのLSHベースのクラスタリングと均一な残留サンプリングを組み合わせることで、競争効率を達成する。本稿では,HyperAttentionが重要なキーの優先順位付けに役立てる前処理機構を提案する。 ChatGLM2(131kトークンコンテキスト)の実験では、コンプレックスが12から8.3に減少し、標準のHyperAttentionを上回っている。
論文参考訳（メタデータ） (2025-05-16T09:35:11Z)
Accelerating Feedback-Based Quantum Algorithms through Time Rescaling [0.0]
TR-FQA と TR-FALQON は FQA と FALQON の時間スケール版である。その結果,TR-FALQONは回路の初期層における最適解への収束を加速することがわかった。状態準備の文脈では、TR-FQAはより優れた収束を示し、必要な回路深さを数百層削減する。
論文参考訳（メタデータ） (2025-04-02T00:05:01Z)
A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning [61.403275660120606]
強化学習(Reinforcement Learning, RL)に基づく微調整は, 拡散モデルとブラックボックスの目的を整合させる強力なアプローチとして登場した。拡散微調整のための新しいRLであるLOOP(Left-one-out PPO)を提案する。以上の結果から, LOOPは様々なブラックボックス対象の拡散モデルを効果的に改善し, 計算効率と性能のバランスを良くすることを示す。
論文参考訳（メタデータ） (2025-03-02T13:43:53Z)
Rethinking the Upsampling Layer in Hyperspectral Image Super Resolution [51.98465973507002]
ハイパースペクトル画像のマルチスケールチャネル特性のキャリブレーションにチャネルアテンションを組み込んだ,新しい軽量SHSRネットワーク LKCA-Net を提案する。我々は、学習可能なアップサンプリング層の低ランク特性が軽量なSHSR手法における重要なボトルネックであることを初めて証明した。
論文参考訳（メタデータ） (2025-01-30T15:43:34Z)
Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
論文参考訳（メタデータ） (2024-03-12T05:06:07Z)
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)
Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文参考訳（メタデータ） (2023-10-11T10:21:34Z)
Attention Loss Adjusted Prioritized Experience Replay [0.0]
優先再生体験(PER)は、ニューラルネットワークのトレーニング率を改善するために、より知識量の多い経験サンプルを選択することによって、深層強化学習の技術的手段である。 PERで使用される非一様サンプリングは、状態-作用空間分布を必然的にシフトさせ、Q値関数の推定誤差をもたらす。改良された自己認識ネットワークとダブルサンプリング機構を統合したALAP体験再生アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-13T02:49:32Z)
Stochastic Primal-Dual Three Operator Splitting Algorithm with Extension to Equivariant Regularization-by-Denoising [12.187438033643797]
本稿では,凸3成分最適化問題のクラスを解くために,TOS-SPDHG法を提案する。エルゴディック$O (1/K)$収束率を示す理論的収束解析を行い,逆問題の画像化におけるアプローチの有効性を実証する。また,事前学習したディープデノナイジングネットワークを先行として活用するために,レギュラー化・バイ・デノナイジングフレームワークを利用するTOS-SPDHG-REDとTOS-SPDHG-eREDを提案する。
論文参考訳（メタデータ） (2022-08-02T17:58:52Z)
On Measuring and Controlling the Spectral Bias of the Deep Image Prior [63.88575598930554]
深層画像は、未学習のネットワークが逆画像問題に対処できることを実証している。ピークに達するとパフォーマンスが低下するので、いつ最適化を止めるかを決めるにはオラクルが必要です。これらの問題に対処するために、スペクトルバイアスの観点から先行した深部画像について検討する。
論文参考訳（メタデータ） (2021-07-02T15:10:42Z)
Recovery Analysis for Plug-and-Play Priors using the Restricted Eigenvalue Condition [48.08511796234349]
本稿では, プラグアンドプレイ先行(ノイズ)の理論的回復保証の確立方法と, RED法による正規化について述べる。以上の結果から,事前学習したアーティファクト除去ネットワークを用いたモデルの方が,既存の最先端手法と比較して有意に優れた結果が得られることが示唆された。
論文参考訳（メタデータ） (2021-06-07T14:45:38Z)

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。