論文の概要: Fully Learnable Deep Wavelet Transform for Unsupervised Monitoring of
High-Frequency Time Series
- arxiv url: http://arxiv.org/abs/2105.00899v1
- Date: Mon, 3 May 2021 14:35:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 13:35:03.810619
- Title: Fully Learnable Deep Wavelet Transform for Unsupervised Monitoring of
High-Frequency Time Series
- Title（参考訳）: 高周波時系列モニタリングのための完全学習可能なディープウェーブレット変換
- Authors: Gabriel Michau and Olga Fink
- Abstract要約: 高周波(HF)信号は産業界に広く存在しており、産業資産の監視に非常に有用である。
ほとんどのディープラーニングツールは、固定サイズおよび/または非常に制限された入力用に設計されており、インプット抽出機能として産業的文脈にディープラーニングの応用が成功している。
生のHF信号の有意義で疎い表現を抽出できる、完全に監視されていないディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.7793394375935088
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: High-Frequency (HF) signal are ubiquitous in the industrial world and are of
great use for the monitoring of industrial assets. Most deep learning tools are
designed for inputs of fixed and/or very limited size and many successful
applications of deep learning to the industrial context use as inputs extracted
features, which is a manually and often arduously obtained compact
representation of the original signal. In this paper, we propose a fully
unsupervised deep learning framework that is able to extract meaningful and
sparse representation of raw HF signals. We embed in our architecture important
properties of the fast discrete wavelet transformation (FDWT) such as (1) the
cascade algorithm, (2) the quadrature mirror filter property that relates
together the wavelet, the scaling and transposed filter functions, and (3) the
coefficient denoising. Using deep learning, we make this architecture fully
learnable: both the wavelet bases and the wavelet coefficient denoising are
learnable. To achieve this objective, we introduce a new activation function
that performs a learnable hard-thresholding of the wavelet coefficients. With
our framework, the denoising FDWT becomes a fully learnable unsupervised tool
that does neither require any type of pre- nor post-processing, nor any prior
knowledge on wavelet transform. We demonstrate the benefit of embedding all
these properties on three machine-learning tasks performed on open source sound
datasets. We achieve results well above baseline and we perform an ablation
study of the impact of each property on the performance of the architecture.
- Abstract（参考訳）: 高周波(HF)信号は産業界に広く存在しており、産業資産の監視に非常に有用である。
ほとんどのディープラーニングツールは、固定および/または非常に限られたサイズの入力のために設計されており、産業文脈における深層学習の多くの成功例は、入力を抽出した特徴として使用する。
本稿では,生のHF信号の意味的かつスパースな表現を抽出できる,完全に教師なしのディープラーニングフレームワークを提案する。
本研究では,(1)カスケードアルゴリズム,(2)ウェーブレットを結合する二次ミラーフィルタ特性,スケーリングおよび遷移フィルタ関数,(3)デノイング係数などの高速離散ウェーブレット変換(FDWT)のアーキテクチャ上の重要な特性を組み込む。
ディープラーニングを使うことで、このアーキテクチャを十分に学習可能にします。ウェーブレットベースとウェーブレット係数の両方が学習可能になります。
この目的を達成するために、ウェーブレット係数の学習可能なハードスレッディングを行う新しいアクティベーション関数を導入する。
我々のフレームワークでは、FDWTは、事前処理や後処理、ウェーブレット変換に関する事前知識を必要としない、完全に学習可能な教師なしツールとなる。
オープンソースサウンドデータセット上で実行される3つの機械学習タスクに,これらすべてのプロパティを組み込むことによるメリットを実証する。
我々は,ベースラインをはるかに上回る結果を得るとともに,各特性がアーキテクチャ性能に与える影響についてアブレーション研究を行う。
関連論文リスト
- WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。
本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
論文 参考訳（メタデータ） (2024-11-25T12:31:03Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。
我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文 参考訳（メタデータ） (2024-07-18T04:36:10Z) - Wav-KAN: Wavelet Kolmogorov-Arnold Networks [3.38220960870904]
Wav-KANは、Wavelet Kolmogorov-Arnold Networks(Wav-KAN)フレームワークを活用して、解釈性とパフォーマンスを向上させる革新的なニューラルネットワークアーキテクチャである。
我々の結果は、解釈可能な高性能ニューラルネットワークを開発するための強力なツールとして、Wav-KANの可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-05-21T14:36:16Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - Wavelet Dynamic Selection Network for Inertial Sensor Signal Enhancement [11.793803540713695]
慣性センサーは様々な携帯機器で広く使われている。
ウェーブレット動的選択ネットワーク(WDSNet)は、可変慣性信号に対する適切なウェーブレット基底をインテリジェントに選択する。
WDSNetは、弱教師付き手法として、比較された全教師付き手法の最先端性能を達成する。
論文 参考訳（メタデータ） (2023-12-29T07:44:06Z) - A Novel Approach For Analysis of Distributed Acoustic Sensing System
Based on Deep Transfer Learning [0.0]
畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。
LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。
我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
論文 参考訳（メタデータ） (2022-06-24T19:56:01Z) - Functional Regularization for Reinforcement Learning via Learned Fourier
Features [98.90474131452588]
本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。
その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
論文 参考訳（メタデータ） (2021-12-06T18:59:52Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z)
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。