本稿では、教師あり、半教師あり、教師なし学習を統合した、堅牢な深層学習ベースのモーターベアリング故障検出システムを提案し、ベンチマークデータセットを用いた評価により、その有効性を実証しています。
直交ランダム特徴量(ORF)はガウシアンカーネルではなく、ベッセルカーネルを近似するものであり、そのバイアスと分散は正規化ベッセル関数で明示的に表現できる。
敵対的学習におけるモデルの過剰な確信度がロバストな汎化能力を低下させる要因となり、確信度の低い敵対的サンプルを生成することで、よりロバストなモデルを学習できる。
本稿では、機械学習を用いて都市空間におけるアート作品のキュレーションを探求し、現実と機械の知覚が交差する新たな芸術体験を提示する。
深層学習モデルの有効次元数を測る指標として「学習容量」を提案する。学習容量は、テスト損失と高い相関を示し、PAC-Bayes汎化誤差限界とも整合性が取れており、モデル選択の基準として有効である。
本稿では、スパースなレーダー検出データから高精度な動的占有グリッドマップを生成する、深層学習ベースの新しい逆センサーモデル(ISM)を提案する。
本稿では、拡散モデルやフローベース生成モデルを用いてノイズを含む線形逆問題を高速に解決する新しい手法、DMPSを提案する。従来手法よりも大幅に高速でありながら、同等以上の復元性能を実現する。
視覚強化学習(RL)におけるサンプル効率と汎化能力という課題を克服するために、データ拡張(DA)が重要な技術として注目されています。
複数のエージェントが個々のデータやポリシーを共有することなく共同でグローバルモデルを学習する連合強化学習において、エージェント間の連携を最適化することで、従来の集中学習と比較して最大でN倍(Nはエージェント数)高速な学習が可能になる。
過剰パラメータ化された設定では、アンサンブルは単一のより大きなモデルと本質的に同等であり、従来想定されていたほどの一般化の利点や、予測分散による不確実性定量化の信頼性は低い。