論文の概要: As easy as APC: Leveraging self-supervised learning in the context of time series classification with varying levels of sparsity and severe class imbalance

• arxiv url: http://arxiv.org/abs/2106.15577v1
• Date: Tue, 29 Jun 2021 17:11:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:48:15.604158
• Title: As easy as APC: Leveraging self-supervised learning in the context of time series classification with varying levels of sparsity and severe class imbalance
• Title（参考訳）: apcと同じくらい簡単:分散度および重度クラス不均衡の異なる時系列分類の文脈における自己教師あり学習の活用
• Authors: Fiorella Wever, T. Anderson Keller, Victor Garcia, Laura Symul
• Abstract要約: 本稿では,自己教師付き学習手法,特に自己回帰予測符号化(Autoregressive Predictive Coding, APC)を活用し,時系列データの隠蔽表現を学習することを提案する。 実世界の2つのデータセットにGRUまたはGRU-Dエンコーダを用いてAPCを適用し,APCを用いたワンステップアヘッド予測を適用することにより,すべての設定における分類結果が改善されることを示す。
• 参考スコア（独自算出の注目度）: 0.9558392439655015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High levels of sparsity and strong class imbalance are ubiquitous challenges that are often presented simultaneously in real-world time series data. While most methods tackle each problem separately, our proposed approach handles both in conjunction, while imposing fewer assumptions on the data. In this work, we propose leveraging a self-supervised learning method, specifically Autoregressive Predictive Coding (APC), to learn relevant hidden representations of time series data in the context of both missing data and class imbalance. We apply APC using either a GRU or GRU-D encoder on two real-world datasets, and show that applying one-step-ahead prediction with APC improves the classification results in all settings. In fact, by applying GRU-D - APC, we achieve state-of-the-art AUPRC results on the Physionet benchmark.
• Abstract（参考訳）: 高レベルのスパーシリティと強いクラス不均衡は、現実の時系列データでしばしば同時に提示されるユビキタスな課題である。 ほとんどの手法はそれぞれの問題に個別に対処するが、提案手法はデータに対する仮定を減らしながら協調的に処理する。 本研究では,自己教師あり型予測符号化(autoregressive prediction coding, apc)という自己教師あり学習手法を用いて,欠落データとクラス不均衡の文脈における時系列データの関連隠れ表現を学習することを提案する。 実世界の2つのデータセットにGRUまたはGRU-Dエンコーダを用いてAPCを適用し,APCを用いたワンステップアヘッド予測により,すべての設定における分類結果を改善することを示す。 実際、GRU-D-APCを適用することで、Phyloonetベンチマークで最先端のAUPRC結果が得られる。

関連論文リスト

• On Homomorphic Encryption Based Strategies for Class Imbalance in Federated Learning [4.322339935902437]
  トレーニングデータセットにおけるクラス不均衡は、機械学習モデルにおけるバイアスと一般化の欠如につながる可能性がある。 フェデレート学習におけるグローバルクラス不均衡に関連する問題に対処するプライバシー保護フレームワークであるFLICKERを提案する。
  論文  参考訳（メタデータ） (2024-10-28T16:35:40Z)
• Adversarial Training with Complementary Labels: On the Benefit of Gradually Informative Attacks [119.38992029332883]
  不完全な監督を伴う敵の訓練は重要であるが、注意は限られている。 我々は、徐々に情報的攻撃を用いた新しい学習戦略を提案する。 提案手法の有効性を,ベンチマークデータセットを用いて実証する実験を行った。
  論文  参考訳（メタデータ） (2022-11-01T04:26:45Z)
• Hyperspherical Consistency Regularization [45.00073340936437]
  我々は,自己教師あり学習と教師あり学習の関係について検討し,自己教師あり学習がデータ効率のよい深層学習にどのように役立つかを検討する。 超球面整合正則化(HCR)を提案し,特徴依存情報を用いた分類器の正規化を行い,ラベルからのバイアスを回避する。
  論文  参考訳（メタデータ） (2022-06-02T02:41:13Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Few-Shot Incremental Learning with Continually Evolved Classifiers [46.278573301326276]
  Few-shot Class-Incremental Learning(FSCIL)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムの設計を目指している。 難点は、新しいクラスからの限られたデータが、重大な過度な問題を引き起こすだけでなく、破滅的な忘れの問題も悪化させることにある。 我々は,適応のための分類器間のコンテキスト情報を伝達するグラフモデルを用いた連続進化型cif(cec)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T10:54:51Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
  本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。 ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。 我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
  論文  参考訳（メタデータ） (2020-10-05T01:58:32Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Fairness in Forecasting and Learning Linear Dynamical Systems [10.762748665074794]
  時系列予測問題において、そのような表現不足に対処するために、サブグループフェアネスと即時フェアネスという2つの自然な概念を導入する。 特に,長さの異なる複数の軌跡から線形力学系のサブグループフェアおよびインスタントフェア学習を考える。
  論文  参考訳（メタデータ） (2020-06-12T16:53:27Z)

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。