論文の概要: Spectral Propagation Graph Network for Few-shot Time Series Classification

• arxiv url: http://arxiv.org/abs/2202.04769v1
• Date: Tue, 8 Feb 2022 14:02:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 14:41:28.501176
• Title: Spectral Propagation Graph Network for Few-shot Time Series Classification
• Title（参考訳）: スペクトル伝搬グラフネットワークによる数発時系列分類
• Authors: Ling Yang, Shenda Hong, Luxia Zhang
• Abstract要約: 時系列分析において, 時系列分類 (Few-shot Time Series Classification, TSC) は難しい問題である。 本稿では,スペクトル伝搬グラフネットワーク (SPGN) という新しい手法を提案する。 SPGNは、異なる間隔でスペクトル比較を初めて利用し、グラフネットワークを用いた全時系列のスペクトル伝搬を数ショットのTSCで行う。
• 参考スコア（独自算出の注目度）: 6.154427471704388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot Time Series Classification (few-shot TSC) is a challenging problem in time series analysis. It is more difficult to classify when time series of the same class are not completely consistent in spectral domain or time series of different classes are partly consistent in spectral domain. To address this problem, we propose a novel method named Spectral Propagation Graph Network (SPGN) to explicitly model and propagate the spectrum-wise relations between different time series with graph network. To the best of our knowledge, SPGN is the first to utilize spectral comparisons in different intervals and involve spectral propagation across all time series with graph networks for few-shot TSC. SPGN first uses bandpass filter to expand time series in spectral domain for calculating spectrum-wise relations between time series. Equipped with graph networks, SPGN then integrates spectral relations with label information to make spectral propagation. The further study conveys the bi-directional effect between spectral relations acquisition and spectral propagation. We conduct extensive experiments on few-shot TSC benchmarks. SPGN outperforms state-of-the-art results by a large margin in $4\% \sim 13\%$. Moreover, SPGN surpasses them by around $12\%$ and $9\%$ under cross-domain and cross-way settings respectively.
• Abstract（参考訳）: 時系列分析において, 時系列分類 (Few-shot Time Series Classification, TSC) は難しい問題である。 同じクラスの時系列がスペクトル領域で完全整合でない場合や、異なるクラスの時系列がスペクトル領域で部分的に整合である場合、分類することはより困難である。 そこで本研究では,SPGN(Spectral Propagation Graph Network)と呼ばれる新しい手法を提案する。 我々の知る限り、SPGNは、異なる間隔でスペクトル比較を初めて利用し、グラフネットワークによる全時系列のスペクトル伝播を数ショットのTSCで行う。 SPGNはまず帯域通過フィルタを用いて、時系列間のスペクトルワイド関係を計算する。 グラフネットワークを備えたSPGNは、ラベル情報とスペクトル関係を統合してスペクトル伝搬を行う。 さらに,スペクトル関係獲得とスペクトル伝播の双方向効果について述べる。 数ショットのTSCベンチマークで広範な実験を行った。 SPGNは、最先端の結果を4\% \sim 13\%$の大きなマージンで上回る。 さらに、SPGNは、それぞれクロスドメインとクロスウェイ設定の下で、約12\%$と9\%$を上回ります。

関連論文リスト

• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• Spectral Invariant Learning for Dynamic Graphs under Distribution Shifts [57.19908334882441]
  動的グラフニューラルネットワーク(DyGNN)は現在、動的グラフ固有の分散シフトを扱うのに苦労している。 本稿では,スペクトル領域における動的グラフの分布変化を初めて研究する。
  論文  参考訳（メタデータ） (2024-03-08T04:07:23Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Graph Structural Attack by Spectral Distance [35.998704625736394]
  グラフ畳み込みネットワーク(GCN)は、グラフ学習タスクにおける優れたパフォーマンスのために、関心の高まりを助長している。 本稿では,フーリエ領域におけるグラフスペクトルフィルタの破壊に有効なグラフ構造攻撃について検討する。
  論文  参考訳（メタデータ） (2021-11-01T04:02:34Z)
• GACAN: Graph Attention-Convolution-Attention Networks for Traffic Forecasting Based on Multi-granularity Time Series [9.559635281384134]
  本稿では,交通予測のためのグラフアテンション・コンボリューション・アテンション・ネットワーク(GACAN)を提案する。 このモデルは、2つのグラフアテンション層と1つのスペクトルベースGCN層を挟んだ新しいAtt-Conv-Attブロックを使用する。 モデルの主な新規性は、4つの異なる時間粒度の時系列の統合である。
  論文  参考訳（メタデータ） (2021-10-27T10:21:13Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• There and Back Again: Self-supervised Multispectral Correspondence Estimation [13.56924750612194]
  自己監督が可能な新しいサイクル一貫性指標を紹介します。 これにより、スペクトルに依存しない損失関数と組み合わせることで、同じネットワークを複数のスペクトルにわたってトレーニングできます。 本研究では,高密度RGB-FIR対応推定の課題に対するアプローチを示す。
  論文  参考訳（メタデータ） (2021-03-19T12:33:56Z)
• An Experimental Study of the Transferability of Spectral Graph Networks [5.736353542430439]
  スペクトルグラフ畳み込みネットワーク(spectral graph convolutional network)は、ラプラシアン作用素を用いたグラフ構造化データのための標準畳み込みネットワークの一般化である。 近年の研究では、グラフベンチマークによるスペクトルフィルタの安定性が証明されている。
  論文  参考訳（メタデータ） (2020-12-18T14:15:07Z)
• Spectral Graph Attention Network with Fast Eigen-approximation [103.93113062682633]
  スペクトルグラフ注意ネットワーク(SpGAT)は、重み付きフィルタとグラフウェーブレットベースに関する異なる周波数成分の表現を学習する。 固有分解による計算コストを削減するために,高速近似変種SpGAT-Chebyを提案する。 半教師付きノード分類タスクにおけるSpGATとSpGAT-Chebyの性能を徹底的に評価する。
  論文  参考訳（メタデータ） (2020-03-16T21:49:34Z)

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。