論文の概要: SpecRegMatch: Robust Semi-Supervised Regression for Vehicle Interior Noise Prediction

• arxiv url: http://arxiv.org/abs/2609.34111v1
• Date: Mon, 28 Sep 2026 01:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:56:05.048198
• Title: SpecRegMatch: Robust Semi-Supervised Regression for Vehicle Interior Noise Prediction
• Title（参考訳）: SpecRegMatch:車室内騒音予測のためのロバストな半監督回帰
• Abstract要約: 本研究では,訓練に伴う計算コストに対処する新しい半教師付き回帰(SSR)手法であるSpecRegMatchを紹介する。 SpecRegMatchは一貫性の正規化と情報を統合してモデルを堅牢にトレーニングし、埋め込み値と予測値の両方に適用されるさまざまな拡張を通じて達成する。
• 参考スコア（独自算出の注目度）: 4.2566707664597
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid advancement of artificial intelligence has observed increased application in predicting vehicle interior noise levels within the automotive industry. However, the collection of labeled data for training models in this context involves significant costs. Previous studies in semi-supervised regression (SSR) have effectively mitigated the reliance on labeled data by incorporating unlabeled data. Nonetheless, these approaches often introduce a high computational cost due to the training of multiple models and data sampling. This study introduces SpecRegMatch, a novel SSR method aimed at addressing the computational cost associated with training by leveraging a single model, thus eliminating the need for multiple data samplings. SpecRegMatch integrates consistency regularization and information maximization to robustly train the model, achieved through various augmentations applied to both the embedding vectors and predicted values. Experimental results demonstrate that SpecRegMatch achieves state-of-the-art performance across various scenarios, even when using a single model. It attains a remarkable performance, as indicated by an R^2 score of 0.434. This is especially noteworthy in scenarios where labeled data is scarce. You can access the code for our proposed method at https://github.com/sejin-sim/SpecRegMatch.
• Abstract（参考訳）: 人工知能の急速な進歩により、自動車業界における車内騒音レベルの予測への応用が増加していることが観察されている。 しかし、この文脈でのトレーニングモデルのためのラベル付きデータの収集にはかなりのコストがかかる。 半教師付き回帰(SSR)における先行研究は、ラベルなしデータを組み込むことでラベル付きデータへの依存を効果的に緩和している。 しかしながら、これらの手法は、複数のモデルとデータサンプリングのトレーニングのために、しばしば高い計算コストをもたらす。 本研究では,1つのモデルを活用することで,学習に伴う計算コストに対処する新しいSSR手法であるSpecRegMatchを紹介し,複数のデータサンプリングの必要性を排除した。 SpecRegMatchは一貫性の正則化と情報最大化を統合してモデルを堅牢にトレーニングし、埋め込みベクトルと予測値の両方に適用される様々な拡張を通じて達成する。 実験結果から、SpecRegMatchは、単一のモデルを使用しても、さまざまなシナリオにわたる最先端のパフォーマンスを実現することが示された。 R^2スコアが0.434であるように、顕著なパフォーマンスを得る。 これはラベル付きデータが不足しているシナリオで特に注目に値する。 提案されたメソッドのコードはhttps://github.com/sejin-sim/SpecRegMatch.comでアクセスできます。

関連論文リスト

• Retrieve-then-Adapt: Retrieval-Augmented Test-Time Adaptation for Sequential Recommendation [17.159956938670174]
  逐次レコメンデーション(SR)モデルは、推論中にリアルタイムの選好シフトに適応するのに苦労することが多い。 提案するRetrieve-then-Adapt(ReAd)は,ユーザ嗜好信号を抽出して,SRモデルをテスト分布に動的に適用する新しいフレームワークである。 5つのベンチマークデータセットにわたる大規模な実験は、ReAdが既存のSRメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-04-07T03:24:56Z)
• Extracting alignment data in open models [50.81383232591576]
  訓練後モデルから大量のアライメントトレーニングデータを抽出できることが示唆された。 このデータは、長期コンテキスト推論、安全性、命令追従、数学などの特定の機能を改善するためにモデルを操縦するのに有用である。 SFT や RL のような後トレーニングフェーズで使用されたトレーニングデータを,モデルが容易に再学習できることが判明した。
  論文  参考訳（メタデータ） (2025-10-21T12:06:00Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• DeepVARwT: Deep Learning for a VAR Model with Trend [3.110260251019273]
  本稿では,トレンドと依存構造を最大限に推定するために,ディープラーニング手法を用いた新しい手法を提案する。 この目的のためにLong Short-Term Memory (LSTM) ネットワークが使用される。 シミュレーション研究と実データへの適用について述べる。
  論文  参考訳（メタデータ） (2022-09-21T18:23:03Z)
• Confidence-Guided Data Augmentation for Deep Semi-Supervised Training [0.9968241071319184]
  特徴空間の最も困難な領域からの学習を強調する半教師付き学習設定のための新しいデータ拡張手法を提案する。 CIFAR-100とSTL-10の2つのベンチマークRGBデータセットを用いて実験を行い、提案手法が精度とロバスト性の観点から分類性能を向上させることを示す。
  論文  参考訳（メタデータ） (2022-09-16T21:23:19Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)

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。