Deep Learning for Uneven Data in Industrial IoT Using a Distributed Bias-Aware Adversarial Network
Notice bibliographique
Résumé
In minority class and noisy data situations, supervised learning performs more favorably for the majority class but cannot generalize testing data. Performance in the aforementioned use cases might be improved with the help of neural-based data augmentation approaches for generating new data and deep convolutional models for classification. GANs (generative adversarial networks) have recently demonstrated impressive advancements in picture generation. To address the restrictions imposed by the distribution bias problem between the produced data and the unique data, and to provide a more vigorous data augmentation, the presented distribution bias aware collaborative GAN (DGAN) model for unbalanced deep learning in industrial IoT. By including an auxiliary classifier in the foundational GAN model, a comprehensive data augmentation system may be built. In particular, a provisional source of energy with random labels is envisioned and trained combatively with the classification model to appropriately augment the amount of data specimens in minority classes, and a mass fraction system is newly envisioned between two distinct feature extraction, allowing the cooperative adversarial training among some of the power source, voltage divider, and classification algorithm. The next step is to develop an augmentation approach for smart anomaly detection in class imbalance, which, by adjusting for dispersion bias using the properly balanced data, might significantly improve classification precision. Experiment assessments using real-world unbalanced datasets show the superior recital of the suggested model in addressing the distribution biased issue for multi-class classification in class imbalance for commercial IoT applications, as compared to five baseline techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».