論文の概要: Semi-unsupervised Learning for Time Series Classification

• arxiv url: http://arxiv.org/abs/2207.03119v2
• Date: Fri, 8 Jul 2022 07:30:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-11 11:09:11.164896
• Title: Semi-unsupervised Learning for Time Series Classification
• Title（参考訳）: 時系列分類のための半教師なし学習
• Authors: Padraig Davidson and Michael Steininger and Andr\'e Huhn and Anna Krause and Andreas Hotho
• Abstract要約: 時系列はユビキタスで、本質的に分析が困難で、最終的にラベルやクラスタになる。 時系列データを分類するための半教師なし学習のための深いガウス混合モデルSuSL4TSを提案する。
• 参考スコア（独自算出の注目度）: 1.8811803364757567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series are ubiquitous and therefore inherently hard to analyze and ultimately to label or cluster. With the rise of the Internet of Things (IoT) and its smart devices, data is collected in large amounts any given second. The collected data is rich in information, as one can detect accidents (e.g. cars) in real time, or assess injury/sickness over a given time span (e.g. health devices). Due to its chaotic nature and massive amounts of datapoints, timeseries are hard to label manually. Furthermore new classes within the data could emerge over time (contrary to e.g. handwritten digits), which would require relabeling the data. In this paper we present SuSL4TS, a deep generative Gaussian mixture model for semi-unsupervised learning, to classify time series data. With our approach we can alleviate manual labeling steps, since we can detect sparsely labeled classes (semi-supervised) and identify emerging classes hidden in the data (unsupervised). We demonstrate the efficacy of our approach with established time series classification datasets from different domains.
• Abstract（参考訳）: 時系列はユビキタスであり、本質的に分析が困難であり、ラベルやクラスタに結びつく。 IoT(Internet of Things, モノのインターネット)とそのスマートデバイスが台頭するにつれ、データは1秒ごとに大量に収集される。 収集されたデータは、リアルタイムで事故(車など)を検知したり、所定の期間(健康装置など)にわたって怪我やシックを評価できるため、情報に富んでいる。 カオス的な性質と膨大なデータポイントのため、タイムシリーズは手動でラベルを付けるのが難しい。 さらに、データ内の新しいクラス(手書きの桁など)が時間とともに出現し、データのリラベル化が必要になる。 本稿では,半教師なし学習のためのガウス混合モデルSuSL4TSについて,時系列データの分類を行う。 sparsely labeled class (semi-supervised) を検出でき、データに隠されている新興クラス(教師なし)を識別できるため、手作業によるラベリングステップを緩和できます。 提案手法の有効性を,異なる領域の時系列分類データセットを用いて実証する。

関連論文リスト

• From Categories to Classifiers: Name-Only Continual Learning by Exploring the Web [118.67589717634281]
  継続的な学習はしばしば、非現実的に時間がかかり、実際にコストがかかるという仮定である、広範な注釈付きデータセットの可用性に依存します。 時間とコストの制約により手動のアノテーションが禁止される、名前のみの連続学習と呼ばれる新しいパラダイムを探求する。 提案手法は,広範かつ進化を続けるインターネットを活用して,未処理のウェブ教師付きデータを検索・ダウンロードして画像分類を行う。
  論文  参考訳（メタデータ） (2023-11-19T10:43:43Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
  時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。 ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。 我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
  論文  参考訳（メタデータ） (2020-11-23T11:57:27Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
  ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。 しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。 本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:48:49Z)
• Deep Categorization with Semi-Supervised Self-Organizing Maps [0.0]
  本稿では,Batch Semi-Supervised Self-Organizing Map (Batch SS-SOM)と呼ばれる半教師付きモデルを提案する。 その結果,Batch SS-SOMは半教師付き分類とクラスタリングに最適であることがわかった。 少数のラベル付きサンプルであっても、精度とクラスタリングエラーの点でうまく機能する。
  論文  参考訳（メタデータ） (2020-06-17T22:00:04Z)
• Clustering Time Series Data through Autoencoder-based Deep Learning Models [1.0499611180329802]
  本稿では時系列データをクラスタリングするための2段階の手法を提案する。 まず、ラベルを作成するために、与えられた時系列データの特徴を利用する手法を紹介する。 次に、自動エンコーダに基づくディープラーニングモデルを構築し、時系列データの既知の特徴と隠れた特徴の両方を学習し、モデル化する。
  論文  参考訳（メタデータ） (2020-04-11T18:51:13Z)
• Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
  時系列データに対する様々なデータ拡張手法を体系的に検討する。 時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
  論文  参考訳（メタデータ） (2020-02-27T23:38:11Z)

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。