論文の概要: Uncertainty-Guided Edge Learning for Deep Image Regression in Remote Sensing
- arxiv url: http://arxiv.org/abs/2605.05590v1
- Date: Thu, 07 May 2026 02:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.485817
- Title: Uncertainty-Guided Edge Learning for Deep Image Regression in Remote Sensing
- Title（参考訳）: リモートセンシングにおける深部画像回帰のための不確かさ誘導エッジ学習
- Authors: Anh Vu Nguyen, Dino Sejdinovic, Tat-Jun Chin,
- Abstract要約: リモートセンシング衛星上での深部画像回帰の文脈におけるエッジ学習について検討する。
UGELの基盤となるのは、深いベータ回帰に基づく予測の不確実性の計算である。
その結果,UGELは,能動的あるいは半教師付き学習よりも高速に収束するエッジ学習を実現することがわかった。
- 参考スコア（独自算出の注目度）: 25.426932126940432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Edge learning refers to training machine learning models deployed on edge platforms, typically using new data accumulated onboard. The computational limitations on edge devices affect not only model optimisation, but also calculation of the predictive uncertainty of the current model on the unlabelled data, which is vital for informing model updating. In this paper, we investigate edge learning in the context of performing deep image regression on a remote sensing satellite, where a deep network is executed by an onboard computer to regress a scalar $y$ from an input image, e.g., $y$ is the percentage of pixels indicating cloud coverage or land use. We propose an uncertainty-guided edge learning (UGEL) algorithm that can accurately prioritise the data to speed up training convergence of the on-board regression model. Underpinning UGEL is the calculation of predictive uncertainty based on deep beta regression, where a deep network is used to estimate the parameters of a beta distribution for which the target $y$ for an input image has a high likelihood. Compared to established methods for uncertainty estimation that are either too costly on edge devices (e.g., require many forward passes per sample) or make strict assumptions on the predictive distribution (e.g., Gaussian), deep beta regression is computable in a single forward pass and allows more general predictive distributions. Results show that UGEL delivers faster-converging edge learning than active or semi-supervised learning. Code and models are publicly available at https://github.com/anh-vunguyen/UGEL.
- Abstract（参考訳）: エッジラーニング(Edge learning)とは、エッジプラットフォームにデプロイされた機械学習モデルをトレーニングすることである。
エッジデバイス上での計算制限は、モデル最適化だけでなく、モデル更新を知らせる上で不可欠である未ラベルデータ上での現在のモデルの予測不確かさの計算にも影響を及ぼす。
本稿では,リモートセンシング衛星上での深部画像回帰の文脈におけるエッジ学習について検討する。深部ネットワークをオンボードコンピュータで実行し,入力画像からスカラー$y$を回帰するために,例えば,$y$は,雲のカバレッジや土地利用を示すピクセルの割合である。
本稿では,不確実性誘導エッジ学習(UGEL)アルゴリズムを提案する。
UGELの根底にあるのは、深いベータ回帰に基づく予測の不確実性の計算であり、深層ネットワークを用いて、入力画像の目標$y$が高い確率を持つベータ分布のパラメータを推定する。
エッジデバイスではコストがかかりすぎる不確実性推定法(例:サンプル毎に多くのフォワードパスが必要)や予測分布(例:ガウス)の厳密な仮定(例:ディープベータ回帰は単一のフォワードパスで計算可能で、より一般的な予測分布を可能にする。
その結果,UGELは,能動的あるいは半教師付き学習よりも高速に収束するエッジ学習を実現することがわかった。
コードとモデルはhttps://github.com/anh-vunguyen/UGELで公開されている。
関連論文リスト
- Electricity Price Prediction Using Multi-Kernel Gaussian Process Regression Combined with Kernel-Based Support Vector Regression [0.0]
本稿では,ドイツの電力価格予測のためのハイブリッドモデルを提案する。
このアルゴリズムはGaussian Process Regression(GPR)とSupport Vector Regression(SVR)の組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-11-28T10:32:50Z) - Estimating Uncertainty with Implicit Quantile Network [0.0]
不確かさの定量化は多くの性能クリティカルなアプリケーションにおいて重要な部分である。
本稿では,アンサンブル学習やベイズニューラルネットワークなど,既存のアプローチに対する簡単な代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-26T13:33:14Z) - Enhancing Edge Detection by Texture Handling Architecture and Noiseless Training Data [0.0]
画像エッジ検出(ED)はコンピュータビジョンの基本課題である。
本稿では,CSDB(Cascaded Skipping Density Blocks)を取り入れた新しいEDモデルを提案する。
第2に、トレーニング中のノイズレスアノテーションの統合を可能にする新しいデータ拡張戦略を導入する。
論文 参考訳（メタデータ） (2024-07-29T13:24:55Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Inferring Data Preconditions from Deep Learning Models for Trustworthy
Prediction in Deployment [25.527665632625627]
デプロイ中に見つからないデータを使って、モデルの予測の信頼性を判断することが重要です。
従来のソフトウェアを特定し検証する既存の方法は、このタスクには不十分である。
本稿では、ニューラルネットワーク計算から導出されるルールを用いて、データ前提条件を推論する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-26T03:47:18Z) - From Hope to Safety: Unlearning Biases of Deep Models via Gradient
Penalization in Latent Space [13.763716495058294]
ディープニューラルネットワークは、トレーニングデータに埋め込まれた急激な相関を学習する傾向があるため、潜在的なバイアスのある予測につながる。
これは、医療応用など、高い意思決定のためにこれらのモデルをデプロイする際のリスクを生じさせる。
本稿では,勾配のペナル化によるバイアスに対するモデル感度を明示的に低減する,概念レベルでのモデル補正手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T10:07:46Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T19:08:53Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Probing Model Signal-Awareness via Prediction-Preserving Input
Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。
SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。
その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文 参考訳（メタデータ） (2020-11-25T20:05:23Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - RAIN: A Simple Approach for Robust and Accurate Image Classification
Networks [156.09526491791772]
既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。
本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。
RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。
STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
論文 参考訳（メタデータ） (2020-04-24T02:03:56Z)
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。