論文の概要: Generalized Representations Learning for Time Series Classification

• arxiv url: http://arxiv.org/abs/2209.07027v1
• Date: Thu, 15 Sep 2022 03:36:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 12:04:40.767787
• Title: Generalized Representations Learning for Time Series Classification
• Title（参考訳）: 時系列分類のための一般化表現学習
• Authors: Wang Lu, Jindong Wang, Xinwei Sun, Yiqiang Chen, Xing Xie
• Abstract要約: 時間的複雑性は時系列分類における未知の潜在分布に起因していると主張する。 本研究では,ジェスチャー認識,音声コマンド認識,ウェアラブルストレスと感情検出,センサによる人間の活動認識に関する実験を行う。
• 参考スコア（独自算出の注目度）: 28.230863650758447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series classification is an important problem in real world. Due to its non-stationary property that the distribution changes over time, it remains challenging to build models for generalization to unseen distributions. In this paper, we propose to view the time series classification problem from the distribution perspective. We argue that the temporal complexity attributes to the unknown latent distributions within. To this end, we propose DIVERSIFY to learn generalized representations for time series classification. DIVERSIFY takes an iterative process: it first obtains the worst-case distribution scenario via adversarial training, then matches the distributions of the obtained sub-domains. We also present some theoretical insights. We conduct experiments on gesture recognition, speech commands recognition, wearable stress and affect detection, and sensor-based human activity recognition with a total of seven datasets in different settings. Results demonstrate that DIVERSIFY significantly outperforms other baselines and effectively characterizes the latent distributions by qualitative and quantitative analysis.
• Abstract（参考訳）: 時系列分類は現実世界において重要な問題である。 分布が時間とともに変化するという非定常性のため、未知の分布への一般化のためのモデルを構築することは依然として困難である。 本稿では,分布の観点から時系列分類問題を検討することを提案する。 時間的複雑性は未知の潜伏分布に起因していると主張する。 そこで本研究では,時系列分類のための一般化表現を学習するためのDIVERSIFYを提案する。 DIVERSIFYは反復的なプロセスをとり、まず敵の訓練を通じて最悪の場合の分布シナリオを取得し、次に得られたサブドメインの分布と一致させる。 理論的な洞察も提示する。 本研究では, ジェスチャー認識, 音声コマンド認識, ウェアラブルストレスと感情検出, センサによる人間行動認識を, 合計7つのデータセットで実験した。 その結果、DIVERSIFYは他のベースラインを著しく上回り、質的、定量的な分析によって潜伏分布を効果的に特徴づけた。

関連論文リスト

• Generalizing to any diverse distribution: uniformity, gentle finetuning and rebalancing [55.791818510796645]
  我々は,訓練データから大きく逸脱した場合でも,様々なテスト分布によく適応するモデルを開発することを目的としている。 ドメイン適応、ドメイン一般化、ロバスト最適化といった様々なアプローチは、アウト・オブ・ディストリビューションの課題に対処しようと試みている。 我々は、既知のドメイン内の十分に多様なテスト分布にまたがる最悪のケースエラーを考慮することで、より保守的な視点を採用する。
  論文  参考訳（メタデータ） (2024-10-08T12:26:48Z)
• Continual Learning of Nonlinear Independent Representations [17.65617189829692]
  分布数の増加に伴い,モデル識別可能性がサブスペースレベルからコンポーネントワイドレベルに向上することを示す。 本手法は,複数のオフライン分布に対して共同で学習した非線形ICA法に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2024-08-11T14:33:37Z)
• Continuous Invariance Learning [37.5006565403112]
  既存の不変学習手法が連続的なドメイン問題に失敗する可能性があることを示す。 本研究では、連続的なインデックス付きドメイン間で不変な特徴を抽出する連続不変学習(CIL)を提案する。 CILは、すべてのタスクにおいて、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2023-10-09T02:18:45Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
  コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。 インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。 本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-04T12:42:45Z)
• Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
  時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。 ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。 いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
  論文  参考訳（メタデータ） (2022-11-25T17:07:53Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Pareto GAN: Extending the Representational Power of GANs to Heavy-Tailed Distributions [6.356866333887868]
  既存のGANアーキテクチャは,重み付き分布の挙動にマッチする作業が不十分であることを示す。 我々は, 極値理論とニューラルネットワークの機能的性質を用いて, 敵対的特徴の挙動に適合する分布を学習する。
  論文  参考訳（メタデータ） (2021-01-22T14:06:02Z)
• Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
  時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:16:46Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。