論文の概要: Semi-supervised sequence classification through change point detection

• arxiv url: http://arxiv.org/abs/2009.11829v2
• Date: Tue, 6 Oct 2020 15:50:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 04:13:20.153488
• Title: Semi-supervised sequence classification through change point detection
• Title（参考訳）: 変化点検出による半教師付きシーケンス分類
• Authors: Nauman Ahad, Mark A. Davenport
• Abstract要約: このような文脈における半教師付き学習のための新しいフレームワークを提案する。 教師なしの方法で、変更点検出法は、可能性のあるクラス変更に対応するシーケンス内の点を特定するために使用できる。 変化点が類似/異種配列の例を示し、ラベル付けされた場合、半教師付き分類設定で使用できることを示す。
• 参考スコア（独自算出の注目度）: 22.14406516031776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential sensor data is generated in a wide variety of practical applications. A fundamental challenge involves learning effective classifiers for such sequential data. While deep learning has led to impressive performance gains in recent years in domains such as speech, this has relied on the availability of large datasets of sequences with high-quality labels. In many applications, however, the associated class labels are often extremely limited, with precise labelling/segmentation being too expensive to perform at a high volume. However, large amounts of unlabeled data may still be available. In this paper we propose a novel framework for semi-supervised learning in such contexts. In an unsupervised manner, change point detection methods can be used to identify points within a sequence corresponding to likely class changes. We show that change points provide examples of similar/dissimilar pairs of sequences which, when coupled with labeled, can be used in a semi-supervised classification setting. Leveraging the change points and labeled data, we form examples of similar/dissimilar sequences to train a neural network to learn improved representations for classification. We provide extensive synthetic simulations and show that the learned representations are superior to those learned through an autoencoder and obtain improved results on both simulated and real-world human activity recognition datasets.
• Abstract（参考訳）: シーケンシャルセンサデータは、様々な実用的な用途で生成される。 基本的な課題は、このようなシーケンシャルデータに対する効果的な分類器の学習である。 ディープラーニングは近年、音声などの領域で顕著なパフォーマンス向上をもたらしているが、これは高品質なラベル付きシーケンスの大きなデータセットの可用性に依存している。 しかし、多くのアプリケーションでは、関連するクラスラベルは極めて制限され、正確なラベリング/セグメンテーションは高ボリュームで実行するには高価すぎる。 しかし、大量のラベルのないデータがまだ利用できる可能性がある。 本稿では,このような文脈における半教師付き学習のための新しいフレームワークを提案する。 教師なしの方法では、変更点検出メソッドを使用して、可能性のあるクラス変更に対応するシーケンス内のポイントを識別することができる。 変化点が類似/異質な列の組の例を示し,ラベル付きと結合すると,半教師付き分類設定で使用できることを示す。 変更点とラベル付きデータを利用して、類似/異種シーケンスの例を作成し、ニューラルネットワークをトレーニングし、分類のための改良された表現を学ぶ。 本研究では,学習した表現がオートエンコーダで学習した表現よりも優れていることを示し,シミュレーションおよび実世界の人間の行動認識データセットの改善結果を得る。

関連論文リスト

• Class-Level Logit Perturbation [0.0]
  特徴摂動とラベル摂動は、様々なディープラーニングアプローチにおいて有用であることが証明されている。 シングルラベルとマルチラベルの両方の分類タスクに対して,摂動ロジットを明示的に学習するための新しい手法が提案されている。 logit上でしか摂動しないため、既存の分類アルゴリズムと融合するためのプラグインとして使用できる。
  論文  参考訳（メタデータ） (2022-09-13T00:49:32Z)
• Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
  マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。 本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:01:03Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Model-Change Active Learning in Graph-Based Semi-Supervised Learning [5.174023161939957]
  モデル変更」アクティブラーニングは、追加ラベルを導入して得られた変化を定量化する 後方分布のラプラス近似を用いて, 取得関数を効率的に近似できる凸損失関数の族を考える。
  論文  参考訳（メタデータ） (2021-10-14T21:47:10Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• Multi-label Stream Classification with Self-Organizing Maps [2.055054374525828]
  ラベルを無限に遅延させたマルチラベルストリーム分類のための自己組織化マップに基づくオンラインインクリメンタル手法を提案する。 分類段階では、k-アネレス近傍の戦略を用いて、地図の勝利したニューロンを計算する。 我々は,各インスタンスのラベルをベイズ則と各ニューロンの出力を用いて予測し,ストリーム内のクラスの確率と条件付き確率に適応する。
  論文  参考訳（メタデータ） (2020-04-20T15:52:38Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。