論文の概要: Utilizing Expert Features for Contrastive Learning of Time-Series Representations

• arxiv url: http://arxiv.org/abs/2206.11517v1
• Date: Thu, 23 Jun 2022 07:56:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 12:43:52.335738
• Title: Utilizing Expert Features for Contrastive Learning of Time-Series Representations
• Title（参考訳）: 時系列表現のコントラスト学習におけるエキスパート機能の利用
• Authors: Manuel Nonnenmacher, Lukas Oldenburg, Ingo Steinwart, David Reeb
• Abstract要約: 本稿では,時系列表現学習に専門家の知識を取り入れた手法を提案する。 提案手法では,従来のコントラスト学習手法におけるデータ変換の代替として,専門的な特徴を用いる。 我々は、ExpCLRが教師なしと半教師なしの両方の表現学習のための最先端の手法を超越した3つの実世界の時系列データセットを実演する。
• 参考スコア（独自算出の注目度）: 4.960805676180953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an approach that incorporates expert knowledge for time-series representation learning. Our method employs expert features to replace the commonly used data transformations in previous contrastive learning approaches. We do this since time-series data frequently stems from the industrial or medical field where expert features are often available from domain experts, while transformations are generally elusive for time-series data. We start by proposing two properties that useful time-series representations should fulfill and show that current representation learning approaches do not ensure these properties. We therefore devise ExpCLR, a novel contrastive learning approach built on an objective that utilizes expert features to encourage both properties for the learned representation. Finally, we demonstrate on three real-world time-series datasets that ExpCLR surpasses several state-of-the-art methods for both unsupervised and semi-supervised representation learning.
• Abstract（参考訳）: 時系列表現学習に専門知識を取り入れた手法を提案する。 本手法は,従来のコントラスト学習手法における一般的なデータ変換を置き換えるために,専門的特徴を用いる。 時系列データは、一般的に時系列データには変換が当てはまらないが、ドメインの専門家が専門的な特徴をしばしば利用できる産業や医療分野に由来しているため、私たちはこれを行ないます。 まず、有用な時系列表現が満たすべき2つの特性を提案し、現在の表現学習アプローチがこれらの特性を確実にしないことを示す。 そこで我々はexpclrを考案した。expclrは、学習した表現に対して両方の特性を奨励するために専門家の特徴を利用する目的に基づいて構築された、新しいコントラスト学習手法である。 最後に、ExpCLRが教師なしと半教師なしの両方の表現学習において最先端の手法を超越した3つの実世界の時系列データセットを実証する。

関連論文リスト

• From Pixels to Predictions: Spectrogram and Vision Transformer for Better Time Series Forecasting [15.234725654622135]
  時系列予測は、様々な領域における意思決定において重要な役割を担っている。 近年,これらの課題に対処するために,コンピュータビジョンモデルを用いた画像駆動アプローチが研究されている。 時系列データの視覚的表現として時間周波数スペクトログラムを用いる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T00:14:29Z)
• Universal Time-Series Representation Learning: A Survey [14.340399848964662]
  時系列データは、現実世界のシステムやサービスのあらゆる部分に存在する。 ディープラーニングは、時系列データから隠れたパターンや特徴を抽出する際、顕著な性能を示した。
  論文  参考訳（メタデータ） (2024-01-08T08:00:04Z)
• T-Rep: Representation Learning for Time Series using Time-Embeddings [5.885238773559017]
  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)
• TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations [3.8357850372472915]
  本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。 TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-19T11:40:15Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Measuring disentangled generative spatio-temporal representation [9.264758623908813]
  我々は2つの最先端の非絡み合い表現学習手法を採用し、これらを3つの大規模公共時間データセットに適用する。 学習した表現の変数を記述するために,本手法が現実世界のセマンティクスの発見に有効であることが判明した。
  論文  参考訳（メタデータ） (2022-02-10T03:57:06Z)
• Co$^2$L: Contrastive Continual Learning [69.46643497220586]
  近年の自己教師型学習のブレークスルーは、このようなアルゴリズムが視覚的な表現を学習し、見えないタスクにもっとうまく移行できることを示している。 本稿では、連続的な学習と伝達可能な表現の維持に焦点を当てたリハーサルに基づく連続学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-28T06:14:38Z)
• Revisiting Contrastive Methods for Unsupervised Learning of Visual Representations [78.12377360145078]
  対照的な自己教師型学習は、セグメンテーションやオブジェクト検出といった多くの下流タスクにおいて教師付き事前訓練よりも優れています。 本稿では,データセットのバイアスが既存手法にどのように影響するかを最初に検討する。 現在のコントラストアプローチは、(i)オブジェクト中心対シーン中心、(ii)一様対ロングテール、(iii)一般対ドメイン固有データセットなど、驚くほどうまく機能することを示す。
  論文  参考訳（メタデータ） (2021-06-10T17:59:13Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Reinforcement Learning with Prototypical Representations [114.35801511501639]
  Proto-RLは、プロトタイプ表現を通じて表現学習と探索を結び付ける自己監督型フレームワークである。 これらのプロトタイプは、エージェントの探索経験の要約と同時に、観察を表す基盤としても機能する。 これにより、困難な連続制御タスクのセットで最新の下流ポリシー学習が可能になります。
  論文  参考訳（メタデータ） (2021-02-22T18:56:34Z)
• Learning From Multiple Experts: Self-paced Knowledge Distillation for Long-tailed Classification [106.08067870620218]
  我々は,LFME(Learning From Multiple Experts)と呼ばれる自己評価型知識蒸留フレームワークを提案する。 提案するLFMEフレームワークは,複数の'Experts'からの知識を集約して,統一された学生モデルを学ぶ。 提案手法は,最先端の手法に比べて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-01-06T12:57:36Z)

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。