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
- SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised
Temporal Action Segmentation [57.9100732918114]
本稿では,アクションセグメンテーションのための強力なフレームワイズ表現を抽出するために,近隣環境対応ユニット(SMC-NCA)を用いた新しいマルチレベルコントラスト方式を提案する。
我々のSMCは3つのベンチマークで他の最先端の手法よりも優れており、編集距離と精度の点で最大17.8%と12.6%の改善を提供している。
また,提案手法の有効性をパーキンソン病マウス行動データセットに示す。
論文 参考訳(メタデータ) (2023-12-19T17:26:44Z) - Inherently Interpretable Time Series Classification via Multiple
Instance Learning [3.3334164733803906]
我々はMILLET: Multiple Instance Learning for Locally Explainable Time Series Classificationを提案する。
我々は,MILLETが予測性能を損なうことなく,本質的に解釈可能であることを示す。
我々の知る限り、MILLET を用いた研究は、初めて TSC の汎用 MIL メソッドを開発し、それらを様々な分野に適用した。
論文 参考訳(メタデータ) (2023-11-16T17:45:37Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - T-Rep: Representation Learning for Time Series using Time-Embeddings [0.36832029288386137]
本稿では,時系列表現を時間ステップの粒度で学習する自己教師型T-Repを提案する。
T-Repはその特徴抽出器と共に時間のベクトル埋め込みを学び、時間的特徴を抽出する。
下流分類,予測,異常検出タスクにおけるT-Repの評価を行った。
論文 参考訳(メタデータ) (2023-10-06T15:45:28Z) - 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) - Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。
ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。
NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。
本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文 参考訳(メタデータ) (2021-12-03T13:31:59Z) - 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) - Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。
近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。
本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-26T15:56:40Z)
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。