Regression with Sensor Data Containing Incomplete Observations

要約

タイトル：不完全な観測を含むセンサーデータに基づく回帰

要約：

– センサーデータによって現象の大きさが感知され、結果として出力されるラベル値に基づく回帰問題が存在する。
– ラベル値が低い場合、現象自体の大きさが低い場合と、センサーの観測が不完全であるために低い場合という2つの理由が考えられる。
– ラベル値の偏りは問題であり、学習に悪影響を及ぼす。不完全な観測によって、現象自体の大きさが高いにもかかわらず、ラベル値が低くなる場合がある。
– 不完全な観測によって欠損値が存在することは明らかだが、欠損のタグが存在しないため、それらを除外または推定することは困難である。
– この問題に対処するため、本研究では、常に負の値を持つ非対称ノイズによって汚染された不完全な観測を明示的にモデル化する学習アルゴリズムを提案する。
– このアルゴリズムは偏りがなく、不完全な観測の影響を受けずに学習することができる。
– 数値実験を通じて、本アルゴリズムの利点を示している。

要約(オリジナル)

This paper addresses a regression problem in which output label values are the results of sensing the magnitude of a phenomenon. A low value of such labels can mean either that the actual magnitude of the phenomenon was low or that the sensor made an incomplete observation. This leads to a bias toward lower values in labels and its resultant learning because labels may have lower values due to incomplete observations, even if the actual magnitude of the phenomenon was high. Moreover, because an incomplete observation does not provide any tags indicating incompleteness, we cannot eliminate or impute them. To address this issue, we propose a learning algorithm that explicitly models incomplete observations corrupted with an asymmetric noise that always has a negative value. We show that our algorithm is unbiased as if it were learned from uncorrupted data that does not involve incomplete observations. We demonstrate the advantages of our algorithm through numerical experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI