深い産業転移学習に向けて:移動事例選択のためのクラスタリング【JST・京大機械翻訳】

Maschler Benjamin; Knodel Tim; Weyrich Michael

プレプリント

J-GLOBAL ID：202202205531517097 整理番号：22P0325117

深い産業転移学習に向けて:移動事例選択のためのクラスタリング【JST・京大機械翻訳】

Towards Deep Industrial Transfer Learning: Clustering for Transfer Case Selection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年04月04日プレプリントサーバーでの情報更新日： 2022年04月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

産業移転学習は,高い手動努力なしに,不均一および動的産業使用事例に対する深層学習アルゴリズムの適応性を増加させる。どの移動に対する適切な選択は,移動の結果を大きく改善できる。本論文では,クラスタリングに基づく転送事例選択を提示した。クラスタリングアルゴリズムの調査に基づいて,この目的のためにBIRCHアルゴリズムを選択した。離散製造シナリオから工業時系列データセットを評価した。結果は,その結果の再現性と,(サブ)データセットのシーケンス,サイズ,および次元に対する実用的差異に起因するアプローチの適用性を,連続的にクラスタ化する。【JST・京大機械翻訳】

, , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 分子・遺伝情報処理

, ,

前のページに戻る