Fugu-MT 論文翻訳(概要): Label-efficient Time Series Representation Learning: A Review

論文の概要: Label-efficient Time Series Representation Learning: A Review

arxiv url: http://arxiv.org/abs/2302.06433v1
Date: Mon, 13 Feb 2023 15:12:15 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 15:12:57.799366
Title: Label-efficient Time Series Representation Learning: A Review
Title（参考訳）: ラベル効率のよい時系列表現学習
Authors: Emadeldeen Eldele, Mohamed Ragab, Zhenghua Chen, Min Wu, Chee-Keong Kwoh, Xiaoli Li
Abstract要約: ラベル付きデータの不足は,実世界の時系列データにディープラーニングモデルを適用する上で,大きな課題のひとつだ。移動学習、自己教師付き学習、半教師付き学習といったいくつかのアプローチは、最近、限られた時系列ラベルから深層学習モデルの学習能力を促進するために開発されている。
参考スコア（独自算出の注目度）: 14.723714504015483
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The scarcity of labeled data is one of the main challenges of applying deep learning models on time series data in the real world. Therefore, several approaches, e.g., transfer learning, self-supervised learning, and semi-supervised learning, have been recently developed to promote the learning capability of deep learning models from the limited time series labels. In this survey, for the first time, we provide a novel taxonomy to categorize existing approaches that address the scarcity of labeled data problem in time series data based on their reliance on external data sources. Moreover, we present a review of the recent advances in each approach and conclude the limitations of the current works and provide future directions that could yield better progress in the field.
Abstract（参考訳）: ラベル付きデータの不足は,実世界の時系列データにディープラーニングモデルを適用する上で,大きな課題のひとつだ。そのため,近年,移動学習,自己指導学習,半教師付き学習といったいくつかの手法が開発され,限られた時系列ラベルから深層学習モデルの学習能力の向上が図られている。本研究では, 時系列データにおけるラベル付きデータの不足に対処する既存の手法を, 外部データソースへの依存に基づいて分類する新たな分類法を提案する。さらに、各アプローチの最近の進歩を概観し、現在の作業の限界を結論付け、この分野の進歩をもたらすであろう今後の方向性について述べる。

関連論文リスト

Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文参考訳（メタデータ） (2024-01-29T18:27:52Z)
Deep Unsupervised Domain Adaptation for Time Series Classification: a Benchmark [3.618615996077951]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースデータを利用してラベルなしターゲットデータのモデルをトレーニングすることを目的としている。本稿では,時系列分類のためのUDA手法の評価ベンチマークを提案する。さまざまなドメインシフトと時間的ダイナミクスをカバーする7つの新しいベンチマークデータセットを提供する。
論文参考訳（メタデータ） (2023-12-15T15:03:55Z)
A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
異種移動学習は様々なタスクにおいて重要な戦略となっている。データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
論文参考訳（メタデータ） (2023-10-12T16:19:58Z)
RECALL+: Adversarial Web-based Replay for Continual Learning in Semantic Segmentation [27.308426315113707]
我々は、従来のアプローチ(RECALL)を拡張し、教師なしのWebcrawledデータを活用することで、忘れることに取り組みます。実験結果から、この拡張アプローチは、特にインクリメンタルシナリオが複数のステップにまたがる場合、顕著な結果をもたらすことが示された。
論文参考訳（メタデータ） (2023-09-19T09:50:30Z)
A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文参考訳（メタデータ） (2023-05-31T12:54:51Z)
Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
論文参考訳（メタデータ） (2023-03-28T18:06:22Z)
Label-Efficient Deep Learning in Medical Image Analysis: Challenges and Future Directions [10.502964056448283]
医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
論文参考訳（メタデータ） (2023-03-22T11:51:49Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Self-Supervised Representation Learning: Introduction, Advances and Challenges [125.38214493654534]
自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
論文参考訳（メタデータ） (2021-10-18T13:51:22Z)
Knowledge-driven Active Learning [70.37119719069499]
アクティブな学習戦略は、ディープラーニングモデルをトレーニングするために必要なラベル付きデータの量を最小限にすることを目的としている。ほとんどの積極的な戦略は不確実なサンプルの選択に基づいており、しばしば決定境界に近いサンプルに制限される。本稿では、一般的なドメイン知識を考慮し、エキスパートでないユーザがより少ないサンプルでモデルを訓練できるようにする。
論文参考訳（メタデータ） (2021-10-15T06:11:53Z)
A Survey on Self-supervised Pre-training for Sequential Transfer Learning in Neural Networks [1.1802674324027231]
移動学習のための自己教師付き事前学習は、ラベルのないデータを用いて最先端の結果を改善する技術として、ますます人気が高まっている。本稿では,自己指導型学習と伝達学習の分類学の概要を述べるとともに,各領域にまたがる事前学習タスクを設計するためのいくつかの顕著な手法を強調した。
論文参考訳（メタデータ） (2020-07-01T22:55:48Z)

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。