論文の概要: Multivariate Time Series Early Classification Across Channel and Time Dimensions

• arxiv url: http://arxiv.org/abs/2306.14606v1
• Date: Mon, 26 Jun 2023 11:30:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 13:56:26.305341
• Title: Multivariate Time Series Early Classification Across Channel and Time Dimensions
• Title（参考訳）: 多変量時系列早期分類 : チャネル横断と時間次元
• Authors: Leonardos Pantiskas, Kees Verstoep, Mark Hoogendoorn, Henri Bal
• Abstract要約: より柔軟な早期分類パイプラインを提案し、入力チャネルをより細かく検討する。 提案手法は,等価な入力利用のための精度の向上を図り,早期分類のパラダイムを向上することができる。
• 参考スコア（独自算出の注目度）: 3.5786621294068373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, the deployment of deep learning models on edge devices for addressing real-world classification problems is becoming more prevalent. Moreover, there is a growing popularity in the approach of early classification, a technique that involves classifying the input data after observing only an early portion of it, aiming to achieve reduced communication and computation requirements, which are crucial parameters in edge intelligence environments. While early classification in the field of time series analysis has been broadly researched, existing solutions for multivariate time series problems primarily focus on early classification along the temporal dimension, treating the multiple input channels in a collective manner. In this study, we propose a more flexible early classification pipeline that offers a more granular consideration of input channels and extends the early classification paradigm to the channel dimension. To implement this method, we utilize reinforcement learning techniques and introduce constraints to ensure the feasibility and practicality of our objective. To validate its effectiveness, we conduct experiments using synthetic data and we also evaluate its performance on real datasets. The comprehensive results from our experiments demonstrate that, for multiple datasets, our method can enhance the early classification paradigm by achieving improved accuracy for equal input utilization.
• Abstract（参考訳）: 近年,実世界の分類問題に対処するためのエッジデバイスへのディープラーニングモデルの展開が普及している。 また、エッジインテリジェンス環境において重要なパラメータである通信や計算要件の削減を目的とした、初期のデータのみを観測した後の入力データを分類する手法であるアーリー分類のアプローチでは、人気が高まっている。 時系列解析の分野における早期分類は広く研究されているが、既存の多変量時系列問題の解法は主に時間次元に沿った早期分類に焦点を当て、複数の入力チャネルを集合的に扱う。 本研究では,入力チャネルをより詳細に考慮し,初期分類パラダイムをチャネル次元にまで拡張した,より柔軟な早期分類パイプラインを提案する。 本手法を実装するために,強化学習手法を活用し,目標の実現可能性と実用性を確保するための制約を導入する。 その効果を検証するために,合成データを用いた実験を行い,実データセット上での性能評価を行った。 実験の総合的な結果は,複数のデータセットに対して,等価な入力利用のための精度向上を実現することにより,初期分類パラダイムを向上できることを実証する。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• An End-to-End Model for Time Series Classification In the Presence of Missing Values [25.129396459385873]
  時系列分析では,データ不足による時系列分類が問題となっている。 本研究では,データ計算と表現学習を単一のフレームワーク内で統一するエンドツーエンドニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-11T19:39:12Z)
• Adaptive End-to-End Metric Learning for Zero-Shot Cross-Domain Slot Filling [2.6056468338837457]
  スロットフィリングは、トレーニング中にサンプルを見ることのない新しいドメインを扱う上で重要な課題である。 ほとんどの先行研究は、メートル法学習に基づく2パスパイプライン方式でこの問題に対処している。 そこで本研究では,ゼロショットスロットの補充に挑戦する手法として,適応的なエンドツーエンドの計量学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-23T19:01:16Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• 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)
• A Deep Dive into Deep Cluster [0.2578242050187029]
  DeepClusterは、ビジュアル表現のシンプルでスケーラブルな教師なし事前トレーニングである。 本稿では,DeepClusterの収束と性能が,畳み込み層のランダムフィルタの品質と選択されたクラスタ数の相互作用に依存することを示す。
  論文  参考訳（メタデータ） (2022-07-24T22:55:09Z)
• Data Augmentation techniques in time series domain: A survey and taxonomy [0.20971479389679332]
  時系列を扱うディープニューラルネットワークは、トレーニングで使用されるデータセットのサイズと一貫性に大きく依存する。 この研究は、すべての利用可能なアルゴリズムの概要を提供するために、この分野の最先端を体系的にレビューする。 本研究の究極的な目的は、この分野の将来の研究者を導くために、より良い結果をもたらす領域の進化と性能を概説することである。
  論文  参考訳（メタデータ） (2022-06-25T17:09:00Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• PatchX: Explaining Deep Models by Intelligible Pattern Patches for Time-series Classification [6.820831423843006]
  我々は、ディープニューラルネットワークと従来の機械学習アルゴリズムを利用する新しいハイブリッドアプローチを提案する。 提案手法はまずパッチのきめ細かい分類を行い,次にサンプルレベルの分類を行う。
  論文  参考訳（メタデータ） (2021-02-11T10:08:09Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• Fine-Grain Few-Shot Vision via Domain Knowledge as Hyperspherical Priors [79.22051549519989]
  プロトタイプネットワークは、コンピュータビジョンにおいて、数ショットの学習タスクでうまく機能することが示されている。 ドメイン知識を情報的先行要素として取り入れつつ,クラスを最大限に分離することで,数発の微粒化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-05-23T02:10:57Z)

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。