論文の概要: Pilot selection in the era of Virtual reality: algorithms for accurate and interpretable machine learning models

• arxiv url: http://arxiv.org/abs/2510.03345v1
• Date: Thu, 02 Oct 2025 15:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.916529
• Title: Pilot selection in the era of Virtual reality: algorithms for accurate and interpretable machine learning models
• Title（参考訳）: バーチャルリアリティー時代のパイロット選択:正確かつ解釈可能な機械学習モデルのためのアルゴリズム
• Authors: Luoma Ke, Guangpeng Zhang, Jibo He, Yajing Li, Yan Li, Xufeng Liu, Peng Fang,
• Abstract要約: 異なる飛行スキルを持つ参加者の特徴を識別するために、機械学習と仮想現実技術を取り入れた新しいアプローチが適用された。 MIC特徴選択法によるSVMは,全ての指標において常に最高の予測性能を達成している。 この研究のVRシミュレーションプラットフォームとアルゴリズムは、パイロット選択とトレーニングに使用することができる。
• 参考スコア（独自算出の注目度）: 4.363047118083132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of the aviation industry, there is a need for a large number of flight crew. How to select the right pilots in a cost-efficient manner has become an important research question. In the current study, twenty-three pilots were recruited from China Eastern Airlines, and 23 novices were from the community of Tsinghua University. A novel approach incorporating machine learning and virtual reality technology was applied to distinguish features between these participants with different flight skills. Results indicate that SVM with the MIC feature selection method consistently achieved the highest prediction performance on all metrics with an Accuracy of 0.93, an AUC of 0.96, and an F1 of 0.93, which outperforms four other classifier algorithms and two other feature selection methods. From the perspective of feature selection methods, the MIC method can select features with a nonlinear relationship to sampling labels, instead of a simple filter-out. Our new implementation of the SVM + MIC algorithm outperforms all existing pilot selection algorithms and perhaps provides the first implementation based on eye tracking and flight dynamics data. This study's VR simulation platforms and algorithms can be used for pilot selection and training.
• Abstract（参考訳）: 航空産業の急速な成長に伴い、多くの飛行士が必要である。 コスト効率の良い方法で適切なパイロットを選ぶ方法が重要な研究課題となっている。 現在の研究では、中国東方航空から23人のパイロットが採用され、23人の初心者が清華大学のコミュニティから来ていた。 異なる飛行スキルを持つ参加者の特徴を識別するために、機械学習と仮想現実技術を取り入れた新しいアプローチが適用された。 その結果,MIC特徴選択法を用いたSVMは,精度0.93,AUC0.96,F10.93という,他の4つの分類アルゴリズムと2つの特徴選択法よりも高い予測性能を示した。 特徴選択法の観点からは,MIC法は単純なフィルタアウトではなく,サンプリングラベルと非線形な関係を持つ特徴を選択できる。 我々の新しい実装であるSVM + MICアルゴリズムは、既存のパイロット選択アルゴリズムよりも優れており、おそらくアイトラッキングとフライトダイナミクスデータに基づく最初の実装を提供する。 この研究のVRシミュレーションプラットフォームとアルゴリズムは、パイロット選択とトレーニングに使用することができる。

関連論文リスト

• Is Diversity All You Need for Scalable Robotic Manipulation? [50.747150672933316]
  ロボット学習におけるデータ多様性の役割について,従来の「より多様な方がよい」という直観に固執する3つの重要な次元(タスク),実施形態(ロボットの使用方法),専門家(専門家)を用いて検討する。 タスクの多様性は、タスクごとのデモンストレーション量よりも重要であり、多様な事前学習タスクから新しい下流シナリオへの移行に有効であることを示す。 本稿では,速度のあいまいさを緩和する分散デバイアス法を提案する。GO-1-Proは,2.5倍の事前学習データを用いて,15%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-07-08T17:52:44Z)
• Your Vision-Language Model Itself Is a Strong Filter: Towards High-Quality Instruction Tuning with Data Selection [59.11430077029321]
  視覚言語モデル(VLM)のための新しいデータセット選択手法であるSelf-Filterを導入する。 第1段階では、VLMと共同で学習する訓練指導の難しさを評価するためのスコアリングネットワークを考案する。 第2段階では、トレーニングされたスコアネットを使用して、各命令の難易度を測定し、最も難しいサンプルを選択し、類似したサンプルをペナルティ化し、多様性を促進する。
  論文  参考訳（メタデータ） (2024-02-19T20:08:48Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Better Together: Using Multi-task Learning to Improve Feature Selection within Structural Datasets [0.0]
  本稿では,マルチタスク学習(MTL)を用いて構造データセットの自動特徴選択を行う。 分類作業は、同じモデルの2機からサンプルを採取するために、尾翼のポートと右翼の側面を区別することである。 MTLの結果は解釈可能であり、実験的なセットアップの違いとは対照的に構造的差異が強調された。
  論文  参考訳（メタデータ） (2023-03-08T10:19:55Z)
• NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
  ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。 提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
  論文  参考訳（メタデータ） (2022-11-14T17:10:53Z)
• Supervised Machine Learning for Effective Missile Launch Based on Beyond Visual Range Air Combat Simulations [0.19573380763700707]
  我々は、リサンプリング技術を用いて予測モデルを改善し、精度、精度、リコール、f1スコアを解析する。 最高のf1スコアを持つモデルはそれぞれ0.379と0.465の値を持ち、再サンプリング技術は22.69%増加した。 機械学習モデルに基づく意思決定支援ツールの開発が可能であり,BVR空戦における飛行品質の向上が期待できる。
  論文  参考訳（メタデータ） (2022-07-09T04:06:00Z)
• Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
  フェアネスと精度を両立させる特徴部分選択手法を提案する。 モデル性能の指標としてF1-Scoreを用いる。 最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
  論文  参考訳（メタデータ） (2022-04-30T22:51:19Z)
• Client Selection in Federated Learning based on Gradients Importance [5.263296985310379]
  フェデレートラーニング(FL)は、複数のデバイスが個人データを共有せずにグローバルモデルを協調的に学習することを可能にする。 本稿では,勾配規範の重要性に基づいて,デバイス選択戦略を検討・設計する。
  論文  参考訳（メタデータ） (2021-11-19T11:53:23Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• ARDA: Automatic Relational Data Augmentation for Machine Learning [23.570173866941612]
  本稿では,データセットとデータレポジトリを入力とし,拡張データセットを出力するエンド・ツー・エンドシステムを提案する。 本システムは,(1)入力の様々な属性に基づいて,入力データとデータを検索し結合するフレームワークと,(2)入力データからノイズや不適切な特徴を抽出する効率的な特徴選択アルゴリズムの2つの特徴を有する。
  論文  参考訳（メタデータ） (2020-03-21T21:55:22Z)

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。