論文の概要: XEM: An Explainable-by-Design Ensemble Method for Multivariate Time
Series Classification
- arxiv url: http://arxiv.org/abs/2005.03645v5
- Date: Tue, 15 Feb 2022 10:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 22:49:38.772743
- Title: XEM: An Explainable-by-Design Ensemble Method for Multivariate Time
Series Classification
- Title(参考訳): xem:多変量時系列分類のための設計別アンサンブル法
- Authors: Kevin Fauvel, \'Elisa Fromont, V\'eronique Masson, Philippe Faverdin,
Alexandre Termier
- Abstract要約: マルチ変数時系列分類のためのeXplainable-by-design Ensemble法であるXEMを提案する。
XEMは、明示的なブースティング・バッグ・アプローチと暗黙的なディペンション・アンド・コンカ・アプローチを組み合わせた新しいハイブリッド・アンサンブル法に依存している。
評価の結果、XEM は、パブリック UEA データセット上で最先端の MTS 分類器よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 61.33695273474151
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present XEM, an eXplainable-by-design Ensemble method for Multivariate
time series classification. XEM relies on a new hybrid ensemble method that
combines an explicit boosting-bagging approach to handle the bias-variance
trade-off faced by machine learning models and an implicit divide-and-conquer
approach to individualize classifier errors on different parts of the training
data. Our evaluation shows that XEM outperforms the state-of-the-art MTS
classifiers on the public UEA datasets. Furthermore, XEM provides faithful
explainability-by-design and manifests robust performance when faced with
challenges arising from continuous data collection (different MTS length,
missing data and noise).
- Abstract(参考訳): 多変量時系列分類のためのeXplainable-by-design Ensemble法であるXEMを提案する。
XEMは、機械学習モデルが直面するバイアス分散トレードオフに対処するための明示的なブースティング・バッグングアプローチと、トレーニングデータの異なる部分で分類器エラーを識別する暗黙的な分割・参照アプローチを組み合わせた、新しいハイブリッドアンサンブル手法に依存している。
評価の結果、XEM は、パブリック UEA データセット上で最先端の MTS 分類器よりも優れていることがわかった。
さらに、XEMは忠実な説明責任を設計し、連続データ収集(MTSの長さ、欠落したデータ、ノイズ)から生じる課題に直面したとき、堅牢なパフォーマンスを示す。
関連論文リスト
- Mixture of Coupled HMMs for Robust Modeling of Multivariate Healthcare
Time Series [7.5986411724707095]
隠れマルコフモデル(M-CHMM)を結合した新しいモデルのクラスを提案する。
モデル学習を実現するために、CHMM内の潜伏変数のシーケンスをサンプリングする2つのアルゴリズムを導出する。
既存の推論手法と比較して,アルゴリズムは計算可能であり,混合性が向上し,推定精度が向上する。
論文 参考訳(メタデータ) (2023-11-14T02:55:37Z) - Enhancing Cross-Dataset Performance of Distracted Driving Detection With
Score-Softmax Classifier [7.302402275736439]
ディープニューラルネットワークは、車内ドライバのリアルタイム監視を可能にし、気晴らし、疲労、潜在的な危険のタイムリーな予測を容易にする。
最近の研究では、オーバーフィッティングによる信頼性の低いクロスデータセットのエンドツーエンドドライバの動作認識が明らかにされている。
Score-Softmax分類器を導入し、クラス間独立性とクラス内不確実性を高めることでこの問題に対処する。
論文 参考訳(メタデータ) (2023-10-08T15:28:01Z) - MHCCL: Masked Hierarchical Cluster-Wise Contrastive Learning for
Multivariate Time Series [20.008535430484475]
Masked Hierarchical Cluster-wise Contrastive Learning modelを示す。
時系列の複数の潜在パーティションからなる階層構造から得られる意味情報を利用する。
教師なし時系列表現学習における最先端の手法よりも優れていることが示されている。
論文 参考訳(メタデータ) (2022-12-02T12:42:53Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳(メタデータ) (2022-11-28T17:36:41Z) - Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。
BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
論文 参考訳(メタデータ) (2022-08-22T09:07:02Z) - MiCE: Mixture of Contrastive Experts for Unsupervised Image Clustering [39.46459858177353]
本稿では,コントラスト学習で学習した識別表現と潜在混合モデルで取得した意味構造を利用する,統一確率的クラスタリングフレームワークを提案する。
専門家の混合によって動機付けられたマウスは、ラベルのないデータセットを潜在意味論に従ってサブセットに分割するゲーティング関数と、それらに割り当てられた異なるサブセットを対比学習方法で識別する複数の専門家を用いる。
論文 参考訳(メタデータ) (2021-05-05T07:17:57Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳(メタデータ) (2021-03-01T21:14:33Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Model Agnostic Combination for Ensemble Learning [0.0]
本稿では,モデルを組み合わせるための最適関数を見つけるために,MACという新しいアンサンブル手法を提案する。
サブモデルの数に依存しないため、デプロイ後もサブモデルの追加と置き換えが可能である。
論文 参考訳(メタデータ) (2020-06-16T09:44:58Z) - Ensemble Model with Batch Spectral Regularization and Data Blending for
Cross-Domain Few-Shot Learning with Unlabeled Data [75.94147344921355]
多様な特徴変換行列を用いてマルチブランチアンサンブルフレームワークを構築する。
本研究では,未ラベルデータを利用したデータブレンディング手法を提案し,対象領域におけるスパースサポートを増強する。
論文 参考訳(メタデータ) (2020-06-08T02:27:34Z)
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。