論文の概要: Interpretable Super-Resolution via a Learned Time-Series Representation

• arxiv url: http://arxiv.org/abs/2006.07713v1
• Date: Sat, 13 Jun 2020 20:32:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 21:35:45.679179
• Title: Interpretable Super-Resolution via a Learned Time-Series Representation
• Title（参考訳）: 学習時系列表現による解釈可能な超解像
• Authors: Randall Balestriero, Herve Glotin, Richard G. Baraniuk
• Abstract要約: 我々は、時系列解析のための超解二次信号表現を生成する、解釈可能で学習可能なウィグナー・ヴィル分布を開発した。 まず、既知の時間周波数表現(TFR)を補間することで、時間と周波数の分解能の増大とともに超解像に達することができる。 提案手法は高度に適応したTFRを学習し,様々な大規模分類タスクに対処できることを示す。
• 参考スコア（独自算出の注目度）: 28.172545926345265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an interpretable and learnable Wigner-Ville distribution that produces a super-resolved quadratic signal representation for time-series analysis. Our approach has two main hallmarks. First, it interpolates between known time-frequency representations (TFRs) in that it can reach super-resolution with increased time and frequency resolution beyond what the Heisenberg uncertainty principle prescribes and thus beyond commonly employed TFRs, Second, it is interpretable thanks to an explicit low-dimensional and physical parameterization of the Wigner-Ville distribution. We demonstrate that our approach is able to learn highly adapted TFRs and is ready and able to tackle various large-scale classification tasks, where we reach state-of-the-art performance compared to baseline and learned TFRs.
• Abstract（参考訳）: 時系列解析のための超解像二次信号表現を生成する,解釈可能で学習可能なwigner-ville分布を開発した。 我々のアプローチには2つの大きな特徴がある。 第一に、既知の時間-周波数表現(tfrs)の間には、ハイゼンベルクの不確実性原理が規定するもの以上の時間と周波数分解能で超解像に到達できること、第二に、ウィグナー-ヴィル分布の明示的な低次元および物理的パラメータ化により解釈可能であることを補間する。 この手法は高度に適応したtfrを学習でき、様々な大規模分類タスクに準備ができ、ベースラインや学習したtfrと比較して最先端のパフォーマンスに達することを実証する。

関連論文リスト

• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• FreqINR: Frequency Consistency for Implicit Neural Representation with Adaptive DCT Frequency Loss [5.349799154834945]
  本稿では、新しい任意スケール超解像法であるFreqINR(FreqINR)について述べる。 トレーニングでは,適応離散コサイン変換周波数損失(adaptive Discrete Cosine Transform Frequency Loss,ADFL)を用いて,HR画像と地絡画像の周波数ギャップを最小化する。 推論の際には,低分解能(LR)画像と地軸画像のスペクトルコヒーレンスを維持するために受容場を拡張した。
  論文  参考訳（メタデータ） (2024-08-25T03:53:17Z)
• Encoding Temporal Statistical-space Priors via Augmented Representation [0.6116681488656472]
  我々は,時系列データモデリングにおける課題を克服するために,単純な表現拡張手法を利用する。 統計的空間拡張表現(SSAR)は,各ステップで符号化される前の統計空間として機能する。 私たちのアプローチは、最新の5つのベースラインを大きく上回っています。
  論文  参考訳（メタデータ） (2024-01-30T08:11:36Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• Scalable Representation Learning in Linear Contextual Bandits with Constant Regret Guarantees [103.69464492445779]
  本稿では,スペクトル特性のよい表現を学習する表現学習アルゴリズムBanditSRLを提案する。 我々は、BanditSRLが任意の非regretアルゴリズムとペアリング可能であることを証明し、HLS表現が利用可能であれば常に後悔する。
  論文  参考訳（メタデータ） (2022-10-24T10:04:54Z)
• Federated Representation Learning via Maximal Coding Rate Reduction [109.26332878050374]
  本稿では,複数のクライアントに分散したデータセットから低次元表現を学習する手法を提案する。 提案手法はFLOWと呼ばれ, MCR2を選択の対象とし, その結果, クラス間判別とクラス内圧縮の両方が可能な表現が得られた。
  論文  参考訳（メタデータ） (2022-10-01T15:43:51Z)
• Spatial-Temporal Space Hand-in-Hand: Spatial-Temporal Video Super-Resolution via Cycle-Projected Mutual Learning [48.68503274323906]
  本稿では,ST-VSRのためのCycle-Projected Mutual Learning Network (CycMu-Net)を提案する。 CycMu-NetはS-VSRとT-VSRの相互学習を通じて空間的時間的相関をフル活用する。 我々の手法は最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-05-11T04:30:47Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Critical Parameters for Scalable Distributed Learning with Large Batches and Asynchronous Updates [67.19481956584465]
  飽和を伴う分散トレーニング(SGD)の効率は、バッチサイズと、実装における停滞に決定的に依存することが実験的に観察されている。 結果がタイトであることを示し、数値実験で重要な結果を示しています。
  論文  参考訳（メタデータ） (2021-03-03T12:08:23Z)

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。