論文の概要: Automated Label Generation for Time Series Classification with
Representation Learning: Reduction of Label Cost for Training
- arxiv url: http://arxiv.org/abs/2107.05458v1
- Date: Mon, 12 Jul 2021 14:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 16:14:48.712127
- Title: Automated Label Generation for Time Series Classification with
Representation Learning: Reduction of Label Cost for Training
- Title（参考訳）: 表現学習による時系列分類のためのラベル自動生成:トレーニングにおけるラベルコストの削減
- Authors: Soma Bandyopadhyay, Anish Datta, Arpan Pal
- Abstract要約: 本稿では,ラベルの自動生成手法を提案する。
提案手法は,Auto Encoded Compact Sequence を用いた表現学習に基づいている。
潜伏構造を学習し、また、代表的時系列を合成的に増強することで、反復的に自己ラベル化を行う。
- 参考スコア（独自算出の注目度）: 16.287885535569067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-series generated by end-users, edge devices, and different wearables are
mostly unlabelled. We propose a method to auto-generate labels of un-labelled
time-series, exploiting very few representative labelled time-series. Our
method is based on representation learning using Auto Encoded Compact Sequence
(AECS) with a choice of best distance measure. It performs self-correction in
iterations, by learning latent structure, as well as synthetically boosting
representative time-series using Variational-Auto-Encoder (VAE) to improve the
quality of labels. We have experimented with UCR and UCI archives, public
real-world univariate, multivariate time-series taken from different
application domains. Experimental results demonstrate that the proposed method
is very close to the performance achieved by fully supervised classification.
The proposed method not only produces close to benchmark results but
outperforms the benchmark performance in some cases.
- Abstract（参考訳）: エンドユーザーやエッジデバイス、さまざまなウェアラブルによって生成される時系列は、ほとんど役に立たない。
本稿では,ラベル付き時系列のラベルの自動生成手法を提案する。
提案手法は,最良の距離尺度を選択するオートエンコードコンパクトシーケンス(AECS)を用いた表現学習に基づいている。
反復で自己補正を行い、潜伏構造を学習し、ラベルの品質を向上させるために変分自動エンコーダ(VAE)を用いて代表時系列を合成的に増強する。
UCRおよびUCIアーカイブは,異なるアプリケーションドメインから取得した,多変量多変量多変量時系列である。
実験の結果,提案手法は完全教師付き分類によって達成された性能に非常に近いことがわかった。
提案手法はベンチマーク結果に近いだけでなく,ベンチマーク性能を上回っている場合もある。
関連論文リスト
- Pseudo-label Refinement for Improving Self-Supervised Learning Systems [22.276126184466207]
自己教師付き学習システムは、人間のアノテーションを必要とせずに、クラスタリングベースの擬似ラベルを使用して監督する。
クラスタリング手法によって生じるこれらの擬似ラベルのノイズは、学習プロセスに難題となり、性能が劣化する。
本稿では,この問題に対処する擬似ラベル改良アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-18T07:47:59Z) - AEMLO: AutoEncoder-Guided Multi-Label Oversampling [6.255095509216069]
AEMLOは、不均衡なマルチラベルデータに対するAutoEncoder-guided Oversampling技術である。
AEMLOは、既存の最先端手法よりも優れた性能を示し、広範な実証研究を行った。
論文 参考訳（メタデータ） (2024-08-23T14:01:33Z) - AutoWS: Automated Weak Supervision Framework for Text Classification [1.748907524043535]
本稿では、ドメインエキスパートへの依存を減らしつつ、弱い監督プロセスの効率を高めるための新しい枠組みを提案する。
本手法では,ラベルクラス毎にラベル付きサンプルの小さなセットが必要であり,多数のラベル付きデータにノイズ付きラベルを割り当てるラベル付き関数のセットを自動生成する。
論文 参考訳（メタデータ） (2023-02-07T07:12:05Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。
提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
論文 参考訳（メタデータ） (2021-09-01T23:52:29Z) - Semi-Supervised Speech Recognition via Graph-based Temporal
Classification [59.58318952000571]
半教師付き学習は自己学習による自動音声認識において有望な結果を示した。
このアプローチの有効性は、主に擬似ラベルの精度に依存する。
N-bestリストの別のASR仮説は、ラベルなしの発話に対してより正確なラベルを提供することができる。
論文 参考訳（メタデータ） (2020-10-29T14:56:56Z) - Semi-supervised sequence classification through change point detection [22.14406516031776]
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。
論文 参考訳（メタデータ） (2020-09-24T17:23:13Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z) - Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。
提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。
マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文 参考訳（メタデータ） (2020-04-20T12:13:43Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
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。