論文の概要: A Study of Graph-Based Approaches for Semi-Supervised Time Series Classification

• arxiv url: http://arxiv.org/abs/2104.08153v1
• Date: Fri, 16 Apr 2021 14:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 19:01:36.777597
• Title: A Study of Graph-Based Approaches for Semi-Supervised Time Series Classification
• Title（参考訳）: 半教師付き時系列分類のためのグラフベースアプローチの検討
• Authors: Dominik Alfke, Miriam Gondos, Lucile Peroche, Martin Stoll
• Abstract要約: この課題には,時系列間の類似性を評価するための適切な距離測度と,これらの距離に基づいて予測を行う学習方法の2つの側面が関係している。 本稿では,(ソフト)dtwとマトリックスプロファイルを含む4つの異なる距離尺度と,グラフアレン・カーン法とグラフ畳み込みニューラルネットワークを含む4つの半教師付き学習手法について述べる。 以上の結果から,すべての測定方法がデータセット間の精度に大きく変化し,すべての場合において最適な組み合わせが存在しないことが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series data play an important role in many applications and their analysis reveals crucial information for understanding the underlying processes. Among the many time series learning tasks of great importance, we here focus on semi-supervised learning which benefits of a graph representation of the data. Two main aspects are involved in this task: A suitable distance measure to evaluate the similarities between time series, and a learning method to make predictions based on these distances. However, the relationship between the two aspects has never been studied systematically. We describe four different distance measures, including (Soft) DTW and Matrix Profile, as well as four successful semi-supervised learning methods, including the graph Allen- Cahn method and a Graph Convolutional Neural Network. We then compare the performance of the algorithms on standard data sets. Our findings show that all measures and methods vary strongly in accuracy between data sets and that there is no clear best combination to employ in all cases.
• Abstract（参考訳）: 時系列データは多くのアプリケーションにおいて重要な役割を担い、その分析は基盤となるプロセスを理解する上で重要な情報を明らかにする。 重要度の高い時系列学習タスクの中で,我々は,データのグラフ表現の利点を生かした半教師付き学習に注目する。 この課題には,時系列間の類似性を評価するための適切な距離尺度と,これらの距離に基づいて予測を行う学習方法の2つの側面がある。 しかし、両者の関係は体系的に研究されることはなかった。 本稿では,(ソフト)dtwとマトリックスプロファイルを含む4つの異なる距離尺度と,グラフアレンカーン法とグラフ畳み込みニューラルネットワークを含む4つの半教師付き学習手法について述べる。 次に、標準データセットにおけるアルゴリズムの性能を比較する。 以上の結果から,すべての測定方法がデータセット間の精度に大きく変化し,すべての場合において最適な組み合わせが存在しないことが明らかとなった。

関連論文リスト

• Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
  この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。 我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。 これらの手法間の関係を解析し,その強みと限界を比較する。
  論文  参考訳（メタデータ） (2024-02-02T14:32:42Z)
• A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions [64.84521350148513]
  グラフは、現実世界の無数に存在する相互接続構造を表す。 グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。 しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。 これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
  論文  参考訳（メタデータ） (2023-08-26T09:11:44Z)
• A Topological Approach for Semi-Supervised Learning [0.0]
  トポロジカルデータ分析(TDA)に基づく半教師付き学習手法を提案する。 特に,2つの異なるトポロジ的アプローチに従って,2つの半教師付き学習手法を開発した。 本研究で開発された手法は,手作業でラベル付けしたデータのみを学習したモデルと,従来の半教師付き学習手法を用いて学習したモデルとを比較検討した。
  論文  参考訳（メタデータ） (2022-05-19T15:23:39Z)
• Self-Attention Neural Bag-of-Features [103.70855797025689]
  我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。 本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
  論文  参考訳（メタデータ） (2022-01-26T17:54:14Z)
• A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised Graph Representation Learning Methods [4.486285347896372]
  本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。 我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。 我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
  論文  参考訳（メタデータ） (2021-12-20T07:50:26Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
  モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。 そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
  論文  参考訳（メタデータ） (2020-10-26T22:07:53Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Learning an Interpretable Graph Structure in Multi-Task Learning [18.293397644865454]
  本稿では,タスク間のマルチタスク学習と本質的な関係を解釈可能かつスパースなグラフで推定する新しい手法を提案する。 このグラフは各タスクのモデルパラメータと同時に学習するため、特定の予測問題におけるタスク間の臨界関係を反映する。
  論文  参考訳（メタデータ） (2020-09-11T18:58:14Z)
• Systematic Ensemble Model Selection Approach for Educational Data Mining [8.26773636337474]
  この研究は、コースデリバリの2つの別々の段階において、2つの異なるデータセットを調査し、分析する。 Giniインデックスとp値に基づく体系的なアプローチを提案し、6つの潜在的機械学習アルゴリズムの組み合わせから適切なアンサンブル学習者を選択する。 実験結果から,提案したアンサンブルモデルでは,両データセットのすべての段階で高い精度と低い偽陽性率が得られることがわかった。
  論文  参考訳（メタデータ） (2020-05-13T22:25:58Z)
• Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
  マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。 我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
  論文  参考訳（メタデータ） (2020-04-28T09:15:50Z)

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。