論文の概要: Classification of Long Sequential Data using Circular Dilated Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2201.02143v1
• Date: Thu, 6 Jan 2022 16:58:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 16:11:00.175180
• Title: Classification of Long Sequential Data using Circular Dilated Convolutional Neural Networks
• Title（参考訳）: 円拡大畳み込みニューラルネットワークを用いた長周期データの分類
• Authors: Lei Cheng, Ruslan Khalitov, Tong Yu, and Zhirong Yang
• Abstract要約: 循環拡張畳み込みニューラルネットワーク(CDIL-CNN)と呼ばれる対称型マルチスケールアーキテクチャを提案する。 本モデルでは,全ての位置で分類ロジットを付与し,簡単なアンサンブル学習を適用し,より良い判断を下すことができる。
• 参考スコア（独自算出の注目度）: 10.014879130837912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classification of long sequential data is an important Machine Learning task and appears in many application scenarios. Recurrent Neural Networks, Transformers, and Convolutional Neural Networks are three major techniques for learning from sequential data. Among these methods, Temporal Convolutional Networks (TCNs) which are scalable to very long sequences have achieved remarkable progress in time series regression. However, the performance of TCNs for sequence classification is not satisfactory because they use a skewed connection protocol and output classes at the last position. Such asymmetry restricts their performance for classification which depends on the whole sequence. In this work, we propose a symmetric multi-scale architecture called Circular Dilated Convolutional Neural Network (CDIL-CNN), where every position has an equal chance to receive information from other positions at the previous layers. Our model gives classification logits in all positions, and we can apply a simple ensemble learning to achieve a better decision. We have tested CDIL-CNN on various long sequential datasets. The experimental results show that our method has superior performance over many state-of-the-art approaches.
• Abstract（参考訳）: 長いシーケンシャルデータの分類は機械学習の重要なタスクであり、多くのアプリケーションシナリオに現れる。 リカレントニューラルネットワーク、トランスフォーマー、畳み込みニューラルネットワークは、シーケンシャルデータから学ぶための3つの主要なテクニックである。 これらの手法のうち、非常に長いシーケンスにスケーラブルな時間畳み込みネットワーク(tcns)は、時系列回帰の著しい進歩を達成した。 しかし、シーケンス分類におけるTCNの性能は、スキュー接続プロトコルと出力クラスが最終位置にあるため満足できない。 このような非対称性は、シーケンス全体に依存する分類の性能を制限する。 そこで本研究では,各位置が前層の他の位置から情報を受信する機会が等しくなるCDIL-CNN(Circular Dilated Convolutional Neural Network)という,対称なマルチスケールアーキテクチャを提案する。 本モデルでは,全ての位置で分類ロジットを付与し,簡単なアンサンブル学習を適用してより良い判定を行う。 我々は様々な長い時系列データセットでCDIL-CNNを検証した。 実験の結果,本手法は多くの最先端手法よりも優れた性能を示した。

関連論文リスト

• Time Elastic Neural Networks [2.1756081703276]
  時間弾性ニューラルネットワーク(teNN)という,非定型ニューラルネットワークアーキテクチャの導入と詳細化について述べる。 古典的ニューラルネットワークアーキテクチャと比較して新しいのは、時間ゆがみ能力を明確に組み込んでいることだ。 トレーニング過程において,TENNは各細胞に必要となるニューロン数を減少させることに成功した。
  論文  参考訳（メタデータ） (2024-05-27T09:01:30Z)
• Multi-class Temporal Logic Neural Networks [8.20828081284034]
  時系列データは、ドローンや自動運転車のような自律システムの振る舞いを表すことができる。 本稿では,時系列データのマルチクラス分類のためのSTL仕様を表すニューラルネットワークを組み合わせる手法を提案する。 提案手法を2つのデータセット上で評価し,最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2024-02-17T00:22:29Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• SRDCNN: Strongly Regularized Deep Convolution Neural Network Architecture for Time-series Sensor Signal Classification Tasks [4.950427992960756]
  SRDCNN: 時系列分類タスクを実行するために, SRDCNN(Strongly Regularized Deep Convolution Neural Network)をベースとしたディープアーキテクチャを提案する。 提案手法の新規性は、ネットワークウェイトが L1 と L2 のノルム法則によって正則化されることである。
  論文  参考訳（メタデータ） (2020-07-14T08:42:39Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)
• Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher [17.20906062729132]
  本稿では,ガイド付きワープと呼ばれる新しい時系列データ拡張を提案する。 ガイド付きワープは動的時間ワープ(DTW)と形状DTWの要素アライメント特性を利用する。 我々は、深部畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を用いて、2015 UCR Time Series Archiveにある85のデータセットすべてに対する手法の評価を行った。
  論文  参考訳（メタデータ） (2020-04-19T06:33:44Z)

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。