論文の概要: Quadruplet Deep Metric Learning Model for Imbalanced Time-series Fault
Diagnosis
- arxiv url: http://arxiv.org/abs/2107.03786v1
- Date: Thu, 8 Jul 2021 11:56:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:48:08.508549
- Title: Quadruplet Deep Metric Learning Model for Imbalanced Time-series Fault
Diagnosis
- Title（参考訳）: 不均衡時系列異常診断のための四重項深度学習モデル
- Authors: Xingtai Gui, Jiyang Zhang
- Abstract要約: 本稿では,クラス間の距離とクラス内の分布を調整することで,不均衡な分類性能を改善する方法について分析する。
不均衡クラスを考慮した新しい四重項データペア設計法を提案する。
四重項損失とソフトマックス損失関数の合理的な組み合わせは、不均衡の影響を減らすことができる。
- 参考スコア（独自算出の注目度）: 0.2538209532048866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent diagnosis method based on data-driven and deep learning is an
attractive and meaningful field in recent years. However, in practical
application scenarios, the imbalance of time-series fault is an urgent problem
to be solved. From the perspective of Bayesian probability, this paper analyzes
how to improve the performance of imbalanced classification by adjusting the
distance between classes and the distribution within a class and proposes a
time-series fault diagnosis model based on deep metric learning. As a core of
deep metric learning, a novel quadruplet data pair design considering imbalance
class is proposed with reference to traditional deep metric learning. Based on
such data pair, this paper proposes a quadruplet loss function which takes into
account the inter-class distance and the intra-class data distribution, and
pays special attention to imbalanced sample pairs. The reasonable combination
of quadruplet loss and softmax loss function can reduce the impact of
imbalance. Experiments on two open datasets are carried out to verify the
effectiveness and robustness of the model. Experimental results show that the
proposed method can effectively improve the performance of imbalanced
classification.
- Abstract（参考訳）: 近年,データ駆動型・深層学習に基づく知能診断法は,魅力的かつ有意義な分野である。
しかし,実際の適用シナリオでは,時系列欠陥の不均衡は解決すべき緊急の問題である。
本稿では,ベイズ確率の観点から,クラス間距離とクラス内分布を調整し,不均衡分類の性能を向上させる方法について分析し,深部メトリック学習に基づく時系列的故障診断モデルを提案する。
ディープメトリック学習のコアとして、従来のディープメトリック学習に関連して、不均衡クラスを考慮した新しい四重項データペア設計を提案する。
このようなデータペアに基づいて,クラス間距離とクラス内データ分布を考慮した4重項損失関数を提案し,不均衡なサンプルペアに特に注意を払う。
四重項損失とソフトマックス損失関数の合理的な組み合わせは、不均衡の影響を減らすことができる。
2つのオープンデータセットの実験を行い、モデルの有効性と堅牢性を検証する。
実験の結果,本手法は不均衡分類の性能を効果的に向上できることがわかった。
関連論文リスト
- Investigating Group Distributionally Robust Optimization for Deep
Imbalanced Learning: A Case Study of Binary Tabular Data Classification [0.44040106718326594]
不均衡学習のための群分散ロバスト最適化(gDRO)について検討した。
経験的リスク最小化法 (ERM) と古典的不均衡法との比較実験により, gDROの優れた性能が示された。
論文 参考訳（メタデータ） (2023-03-04T21:20:58Z) - Prototype-Anchored Learning for Learning with Imperfect Annotations [83.7763875464011]
不完全な注釈付きデータセットからバイアスのない分類モデルを学ぶことは困難である。
本稿では,様々な学習に基づく分類手法に容易に組み込むことができるプロトタイプ・アンコレッド学習法を提案する。
我々は,PALがクラス不均衡学習および耐雑音学習に与える影響を,合成および実世界のデータセットに関する広範な実験により検証した。
論文 参考訳（メタデータ） (2022-06-23T10:25:37Z) - Phased Progressive Learning with Coupling-Regulation-Imbalance Loss for
Imbalanced Classification [11.673344551762822]
ディープニューラルネットワークは、一般に、異なるクラス間の量不均衡と分類困難の不均衡に苦しむデータセットで性能が良くない。
表象学習から上位クラス化学習への学習強調を円滑に伝達する段階的な進行学習スケジュールが提案された。
私たちのコードはまもなくオープンソースになります。
論文 参考訳（メタデータ） (2022-05-24T14:46:39Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Imbalanced Image Classification with Complement Cross Entropy [10.35173901214638]
不正なクラスにおける出力スコアをほとんど無視するクロスエントロピーの研究を行う。
本研究は,不規則なクラスにおける予測確率が不均衡画像分類の予測精度を向上させることを明らかにする。
提案された損失により、基底真理クラスは他のクラスをソフトマックス確率で圧倒する。
論文 参考訳（メタデータ） (2020-09-04T13:46:24Z) - Mitigating Dataset Imbalance via Joint Generation and Classification [17.57577266707809]
教師付きディープラーニング手法は、コンピュータビジョンの多くの実践的応用において大きな成功を収めている。
バイアスや不均衡データに対する顕著な性能劣化は、これらの手法の信頼性に疑問を投げかける。
ニューラルネットワーク分類器とGAN(Generative Adversarial Networks)を組み合わせた共同データセット修復戦略を提案する。
重度のクラス不均衡に対する分類器とGANの堅牢性向上に寄与することを示す。
論文 参考訳（メタデータ） (2020-08-12T18:40:38Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳（メタデータ） (2020-06-09T09:58:19Z) - Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。
私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
論文 参考訳（メタデータ） (2020-04-07T20:57:44Z)
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。