論文の概要: LETS-GZSL: A Latent Embedding Model for Time Series Generalized Zero Shot Learning

• arxiv url: http://arxiv.org/abs/2207.12007v1
• Date: Mon, 25 Jul 2022 09:31:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:17:01.435077
• Title: LETS-GZSL: A Latent Embedding Model for Time Series Generalized Zero Shot Learning
• Title（参考訳）: LETS-GZSL: 時系列一般化ゼロショット学習のための潜伏埋め込みモデル
• Authors: Sathvik Bhaskarpandit, Priyanka Gupta, Manik Gupta
• Abstract要約: 本稿では,時系列分類(TSC)におけるGZSLの問題を解くために,時系列分類のための遅延埋め込みGZSL(LETS-GZSL)モデルを提案する。 我々のフレームワークは、未確認クラスの数が3より多い場合を除いて、ほとんどのデータセットで少なくとも55%の調和平均値を達成することができる。
• 参考スコア（独自算出の注目度）: 1.4665304971699262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the recent developments in deep learning is generalized zero-shot learning (GZSL), which aims to recognize objects from both seen and unseen classes, when only the labeled examples from seen classes are provided. Over the past couple of years, GZSL has picked up traction and several models have been proposed to solve this problem. Whereas an extensive amount of research on GZSL has been carried out in fields such as computer vision and natural language processing, no such research has been carried out to deal with time series data. GZSL is used for applications such as detecting abnormalities from ECG and EEG data and identifying unseen classes from sensor, spectrograph and other devices' data. In this regard, we propose a Latent Embedding for Time Series - GZSL (LETS-GZSL) model that can solve the problem of GZSL for time series classification (TSC). We utilize an embedding-based approach and combine it with attribute vectors to predict the final class labels. We report our results on the widely popular UCR archive datasets. Our framework is able to achieve a harmonic mean value of at least 55% on most of the datasets except when the number of unseen classes is greater than 3 or the amount of data is very low (less than 100 training examples).
• Abstract（参考訳）: ディープラーニングの最近の発展の1つとして一般化ゼロショット学習(GZSL)がある。これは、目に見えるクラスと目に見えないクラスの両方からオブジェクトを認識することを目的としており、目に見えるクラスのラベル付き例のみを提供する。 ここ数年、GZSLは勢いを増し、この問題を解決するためにいくつかのモデルが提案されている。 コンピュータビジョンや自然言語処理などの分野ではGZSLの研究が盛んに行われているが、時系列データを扱うための研究は行われていない。 GZSLは、ECGやEEGデータから異常を検出し、センサ、分光器、その他のデバイスのデータから見えないクラスを識別するアプリケーションに使用される。 本稿では、時系列分類(TSC)におけるGZSLの問題を解くことができる、時系列-GZSL(LETS-GZSL)モデルを提案する。 組込みベースのアプローチを採用し,属性ベクトルと組み合わせて最終クラスラベルを予測する。 我々は,広く普及しているudrアーカイブデータセットについて報告する。 私たちのフレームワークは、未発見のクラス数が3より多いか、データ量が非常に少ない場合を除き、ほとんどのデータセットで少なくとも55%の調和平均値を達成できます(トレーニング例が100未満です)。

関連論文リスト

• Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
  本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。 HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。 本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-01T06:19:13Z)
• Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
  自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。 この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
  論文  参考訳（メタデータ） (2023-06-16T18:23:10Z)
• From Zero-Shot to Few-Shot Learning: A Step of Embedding-Aware Generative Models [21.603519845525483]
  埋め込み認識生成モデル(EAGM)は、意味的空間と視覚的埋め込み空間の間にジェネレータを構築することにより、ゼロショット学習(ZSL)におけるデータ不足問題に対処する。 我々は、一歩後退し、埋め込み認識生成パラダイムを再考する時が来たと論じる。
  論文  参考訳（メタデータ） (2023-02-08T13:53:18Z)
• OpenLDN: Learning to Discover Novel Classes for Open-World Semi-Supervised Learning [110.40285771431687]
  半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。 最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。 この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
  論文  参考訳（メタデータ） (2022-07-05T18:51:05Z)
• Disentangled Ontology Embedding for Zero-shot Learning [39.014714187825646]
  知識グラフ(KG)とその変種オントロジーは知識表現に広く用いられており、ゼロショット学習(ZSL)の増強に非常に有効であることが示されている。 KGsを利用する既存のZSL法は、KGsで表されるクラス間関係の複雑さを全て無視する。 本稿では,ZSLの拡張に焦点をあて,意味的特性によって導かれる絡み合ったオントロジーの埋め込みを学習することを提案する。 また、生成モデルとグラフ伝搬モデルに基づく2つの新しいZSLソリューションを含む、DOZSLという新しいZSLフレームワークをコントリビュートする。
  論文  参考訳（メタデータ） (2022-06-08T08:29:30Z)
• Generative Zero-Shot Learning for Semantic Segmentation of 3D Point Cloud [79.99653758293277]
  本稿では,ZSL(Zero-Shot Learning)とGZSL(Generalized ZSL)の両方を3次元データ上に生成する手法を提案する。 インダクティブZSLとインダクティブGZSLの両方に対して,ModelNet40分類における技術状況に到達または向上することを示す。 実験の結果,本手法は強いベースラインよりも優れており,さらに本手法を提案する。
  論文  参考訳（メタデータ） (2021-08-13T13:29:27Z)
• Contrastive Embedding for Generalized Zero-Shot Learning [22.050109158293402]
  汎用ゼロショット学習(GZSL)は、目に見えないクラスと見えないクラスの両方からオブジェクトを認識することを目的としている。 最近の特徴生成手法は、見当たらないクラスの視覚的特徴を合成できる生成モデルを学ぶ。 本稿では,生成モデルを組込みモデルに統合し,ハイブリッドgzslフレームワークを実現することを提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:54:03Z)
• Learning without Seeing nor Knowing: Towards Open Zero-Shot Learning [27.283748476678117]
  一般化されたゼロショット学習(GZSL)では、クラス埋め込みを利用して見えないカテゴリを予測することができる。 オープンワールド設定に向けてGZSLを拡張するために,Open Zero-Shot Learning (OZSL)を提案する。 我々はOZSLを、未知のカテゴリのインスタンスを拒否しながら、見知らぬクラスを認識できる問題として定式化する。
  論文  参考訳（メタデータ） (2021-03-23T10:30:50Z)
• End-to-end Generative Zero-shot Learning via Few-shot Learning [76.9964261884635]
  ゼロショット学習(ZSL)の最先端アプローチでは、生成ネットをトレーニングし、提供されたメタデータに条件付きサンプルを合成する。 本稿では,このような手法をバックボーンとして使用し,合成した出力をFew-Shot Learningアルゴリズムに供給するエンドツーエンド生成ZSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-08T17:35:37Z)
• A Review of Generalized Zero-Shot Learning Methods [31.539434340951786]
  汎用ゼロショット学習(GZSL)は、教師付き学習において、いくつかの出力クラスが未知である条件下でデータサンプルを分類するモデルを訓練することを目的としている。 GZSLは、見た(ソース)クラスと見えない(ターゲット)クラスのセマンティック情報を活用して、見えないクラスと見えないクラスのギャップを埋める。
  論文  参考訳（メタデータ） (2020-11-17T14:00:30Z)
• Information Bottleneck Constrained Latent Bidirectional Embedding for Zero-Shot Learning [59.58381904522967]
  本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。 視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。 本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-09-16T03:54:12Z)

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。