Fugu-MT 論文翻訳(概要): SMATE: Semi-Supervised Spatio-Temporal Representation Learning on Multivariate Time Series

論文の概要: SMATE: Semi-Supervised Spatio-Temporal Representation Learning on Multivariate Time Series

arxiv url: http://arxiv.org/abs/2110.00578v1
Date: Fri, 1 Oct 2021 17:59:46 GMT
ステータス: 処理完了
システム内更新日: 2021-10-04 14:45:26.547723
Title: SMATE: Semi-Supervised Spatio-Temporal Representation Learning on Multivariate Time Series
Title（参考訳）: SMATE:多変量時系列に基づく半教師付き時空間表現学習
Authors: Jingwei Zuo, Karine Zeitouni and Yehia Taher
Abstract要約: 弱いラベル付きMSSから解釈可能な時空間表現を学習するための,新しい半教師付きモデルSMATEを提案する。 UEA MTSアーカイブから22の公開データセットで学習した表現を検証する。
参考スコア（独自算出の注目度）: 0.6445605125467572
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning from Multivariate Time Series (MTS) has attracted widespread attention in recent years. In particular, label shortage is a real challenge for the classification task on MTS, considering its complex dimensional and sequential data structure. Unlike self-training and positive unlabeled learning that rely on distance-based classifiers, in this paper, we propose SMATE, a novel semi-supervised model for learning the interpretable Spatio-Temporal representation from weakly labeled MTS. We validate empirically the learned representation on 22 public datasets from the UEA MTS archive. We compare it with 13 state-of-the-art baseline methods for fully supervised tasks and four baselines for semi-supervised tasks. The results show the reliability and efficiency of our proposed method.
Abstract（参考訳）: 多変量時系列(MTS)からの学習は近年広く注目を集めている。特に、ラベル不足は、複雑な次元およびシーケンシャルなデータ構造を考えると、MSS上の分類タスクにとって真の課題である。本稿では,距離に基づく分類器に依存する自己学習や正の非ラベル学習とは異なり,弱いラベル付きMSSから解釈可能な時空間表現を学習するための半教師付きモデルSMATEを提案する。 UEA MTSアーカイブから22の公開データセットの学習表現を実証的に検証した。完全な教師付きタスクでは13の最先端のベースラインメソッド,半教師付きタスクでは4つのベースラインと比較した。その結果,提案手法の信頼性と効率性を示した。

関連論文リスト

Contrast Similarity-Aware Dual-Pathway Mamba for Multivariate Time Series Node Classification [9.159556125198305]
MTSノード分類(CS-DPMamba)のためのコントラスト類似性を考慮したデュアルパスMambaを提案する。 Fast Dynamic Time Warping (FastDTW) を用いて, MTS表現間の類似度行列を構築する。長距離依存性と動的類似性を考慮し、正確なTSノード分類を実現した。
論文参考訳（メタデータ） (2024-11-19T04:32:41Z)
M-CELS: Counterfactual Explanation for Multivariate Time Series Data Guided by Learned Saliency Maps [0.9374652839580181]
M-CELSは,多次元時系列分類タスクにおける解釈可能性を高めるために設計された,対物的説明モデルである。その結果, M-CELS の有効性, 近接性, 疎度に優れた性能を示した。
論文参考訳（メタデータ） (2024-11-04T22:16:24Z)
PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文参考訳（メタデータ） (2024-09-08T15:02:25Z)
MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文参考訳（メタデータ） (2024-03-20T09:17:22Z)
SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised Temporal Action Segmentation [53.010417880335424]
半教師付き時間的アクションセグメンテーション(SS-TA)は、長編ビデオにおいてフレームワイズ分類を行うことを目的としている。近年の研究では、教師なし表現学習におけるコントラスト学習の可能性が示されている。本稿では,SMC-NCA(Neighbourhood-Consistency-Aware Unit)を用いたセマンティック誘導型マルチレベルコントラスト方式を提案する。
論文参考訳（メタデータ） (2023-12-19T17:26:44Z)
Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
論文参考訳（メタデータ） (2023-10-09T19:52:22Z)
Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
論文参考訳（メタデータ） (2023-04-04T17:59:04Z)
Enhancing Multivariate Time Series Classifiers through Self-Attention and Relative Positioning Infusion [4.18804572788063]
時系列分類(TSC)は、多くのビジュアルコンピューティングアプリケーションにとって重要かつ困難な課題である。本稿では,深層学習に基づくTSCアプローチを強化する2つの新しいアテンションブロックを提案する。提案するアテンションブロックを追加することで,ベースモデルの平均精度が最大3.6%向上することを示す。
論文参考訳（メタデータ） (2023-02-13T20:50:34Z)
CaSS: A Channel-aware Self-supervised Representation Learning Framework for Multivariate Time Series Classification [4.415086501328683]
チャネル認識型自己教師型学習フレームワークCaSSを提案する。我々はまず,MTSの異なる時間チャネル間の複雑な関係を捉えるために,Transformer-based Channel-aware Transformer (CaT) を設計した。第2に,提案するエンコーダを用いた自己教師型表現学習において,NTP(Next Trend Prediction)とCS(Contextual similarity)の2つの新しいプレテキストタスクを組み合わせる。
論文参考訳（メタデータ） (2022-03-08T08:36:40Z)
SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
論文参考訳（メタデータ） (2022-02-17T08:40:42Z)
Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。