論文の概要: Novel Dynamic Batch-Sensitive Adam Optimiser for Vehicular Accident Injury Severity Prediction

• arxiv url: http://arxiv.org/abs/2605.15083v1
• Date: Thu, 14 May 2026 17:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.968121
• Title: Novel Dynamic Batch-Sensitive Adam Optimiser for Vehicular Accident Injury Severity Prediction
• Title（参考訳）: 血管損傷重症度予測のための新しい動的バッチ感度アダムオプティマイザ
• Authors: Daniel Asare Kyei, Alimatu Saadia-Yussiff, Maame G. Asante-Mensah, Abdul Lateef-Yussiff, Charles Roland Haruna, Derry Emmanuel,
• Abstract要約: 不均衡なデータセットから学習するためのオプティマイザとしてDynamic Batch-Sensitive Adam (DBS-Adam)を提案する。 DBS-Adamは、勾配ノルムの指数的な移動平均とバッチ損失から得られるバッチ困難スコアを用いて、学習率を動的にスケールする。 テスト精度は95.22%、精度96.11%、リコール95.28%、F1スコア95.39%、テスト損失0.0086である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The choice of optimiser is important in deep learning, as it strongly influences model efficiency and speed of convergence. However, many commonly used optimisers encounter difficulties when applied to imbalanced and sequential datasets, limiting their ability to capture patterns of minority classes. In this study, we propose Dynamic Batch-Sensitive Adam (DBS-Adam), an optimiser that dynamically scales the learning rate using a batch difficulty score derived from exponential moving averages of gradient norms and batch loss. DBS-Adam improves training stability and accelerates convergence by increasing updates for difficult batches and reducing them for easier ones. We evaluate DBS-Adam by integrating it with Bi-Directional LSTM networks for accident injury severity prediction, addressing class imbalance through SMOTE-ENN resampling and Focal Loss. Four experimental configurations compare baseline Bi-LSTM models and alternative architectures to assess optimiser impact. Rigorous comparison against state-of-the-art optimisers (AMSGrad, AdamW, AdaBound) across five random seeds demonstrated DBS-Adam's competitive performance with statistically significant precision improvements (p=0.020). Results indicate that DBS-Adam outperforms standard optimisation approaches, achieving 95.22% test accuracy, 96.11% precision, 95.28% recall, 95.39% F1-score, and a test loss of 0.0086. The proposed framework enables effective real-time accident severity classification for targeted emergency response and road safety interventions, demonstrating the value of DBS-Adam for learning from imbalanced sequential data.
• Abstract（参考訳）: オプティマイザの選択は、モデル効率と収束の速度に強く影響するため、ディープラーニングにおいて重要である。 しかし、多くの一般的なオプティマイザは、不均衡なデータセットやシーケンシャルなデータセットに適用する場合に困難に直面し、マイノリティクラスのパターンをキャプチャする能力を制限する。 本研究では,勾配ノルムの指数的移動平均とバッチ損失から得られるバッチ困難スコアを用いて,学習率を動的にスケールするオプティマイザであるDynamic Batch-Sensitive Adam (DBS-Adam)を提案する。 DBS-Adamはトレーニングの安定性を改善し、難しいバッチの更新を増やし、より簡単なバッチの更新を減らすことで収束を加速する。 SMOTE-ENNリサンプリングとFocal Lossによるクラス不均衡に対処するため,DBS-AdamとBi-Directional LSTMネットワークを統合して事故重大度予測を行い,DBS-Adamの評価を行った。 4つの実験的な構成は、ベースラインのBi-LSTMモデルと代替アーキテクチャを比較し、オプティマイザの影響を評価する。 5種類のランダム種子に対する最先端オプティマイザ(AMSGrad,AdamW,AdaBound)との比較により,DBS-Adamの競合性能と統計的に有意な精度向上(p=0.020)が示された。 その結果、DBS-Adamは95.22%の精度、96.11%の精度、95.28%のリコール、95.39%のF1スコア、テスト損失0.0086という標準的な最適化手法よりも優れていた。 提案手法は,不均衡なシーケンシャルデータから学ぶためのDBS-Adamの価値を実証し,目標とする緊急対応と道路安全介入の効果的なリアルタイム事故重大度分類を可能にする。

関連論文リスト

• Personalized Fall Detection by Balancing Data with Selective Feedback Using Contrastive Learning [3.579200789027982]
  本稿では,半教師付きクラスタリングとコントラスト学習を組み合わせたパーソナライズフレームワークを提案する。 このフレームワークは、TFS(Training from Scratch)、TL(Transfer Learning)、FewShot Learning(FewShot Learning)の3つの再トレーニング戦略に基づいて評価されている。
  論文  参考訳（メタデータ） (2026-03-17T21:22:21Z)
• Rethinking Adam for Time Series Forecasting: A Simple Heuristic to Improve Optimization under Distribution Shifts [1.8022002874089529]
  時系列の予測は、しばしば分布のドリフトによる課題に直面します。 この動的な振る舞いは、アダムのような適応的な風景の有効性を損なう可能性がある。 学習速度から2階補正を除去する軽量な変種TS_Adamを提案する。
  論文  参考訳（メタデータ） (2026-03-10T16:31:02Z)
• Ustnlp16 at SemEval-2025 Task 9: Improving Model Performance through Imbalance Handling and Focal Loss [38.70308073598037]
  分類タスクは、しばしば厳しいクラス不均衡、短いテキストと非構造化テキスト、および重なり合うセマンティックカテゴリに悩まされる。 本稿では,SemEval-2025 Task 9: Food Hazard Detectionを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:35:44Z)
• Dynamic Noise Preference Optimization for LLM Self-Improvement via Synthetic Data [51.62162460809116]
  我々は、イテレーション間で一貫した改善を保証するために、動的ノイズ優先最適化(DNPO)を導入します。 Zephyr-7Bでの実験では、DNPOは既存の手法を一貫して上回り、平均性能は2.6%向上した。 DNPOは、GPT-4評価のベースラインに比べて29.4%のウィンロス率差で、モデル生成データの品質が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-02-08T01:20:09Z)
• Survival Analysis with Adversarial Regularization [3.9686445409447617]
  生存分析(Survival Analysis、SA)は、医学、防衛学、金融学、航空宇宙学などの分野で応用されるイベントが起こるまでの時間をモデル化する。 最近の研究は、ニューラルネットワーク(NN)がSAの複雑なデータパターンを効果的にキャプチャできることを示唆している。 我々は、NN検証の進歩を活用して、堅牢で完全なパラメトリックSAモデルのためのトレーニング目標を開発する。
  論文  参考訳（メタデータ） (2023-12-26T12:18:31Z)
• Breaking Boundaries: Balancing Performance and Robustness in Deep Wireless Traffic Forecasting [11.029214459961114]
  正確性と堅牢性の間のトレードオフのバランスをとることは、時系列予測における長年の課題である。 本研究では,様々な摂動シナリオを考察し,実世界の通信データを用いた敵攻撃に対する防御機構を提案する。
  論文  参考訳（メタデータ） (2023-11-16T11:10:38Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。