論文の概要: Unsupervised Representation Learning for Time Series: A Review

• arxiv url: http://arxiv.org/abs/2308.01578v1
• Date: Thu, 3 Aug 2023 07:28:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 14:55:53.659584
• Title: Unsupervised Representation Learning for Time Series: A Review
• Title（参考訳）: 時系列のための教師なし表現学習
• Authors: Qianwen Meng, Hangwei Qian, Yong Liu, Yonghui Xu, Zhiqi Shen, Lizhen Cui
• Abstract要約: 教師なし表現学習アプローチは、すべてのサンプルに注釈をつけることなく、ラベルのないデータから識別的特徴表現を学習することを目的としている。 本稿では,現在急速に進化している時系列の非教師なし表現学習手法の文献レビューを行う。 我々は9つの異なる実世界のデータセットに基づいて、最先端のアプローチ、特に急速に進化するコントラスト学習手法を実証的に評価した。
• 参考スコア（独自算出の注目度）: 20.00853543048447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised representation learning approaches aim to learn discriminative feature representations from unlabeled data, without the requirement of annotating every sample. Enabling unsupervised representation learning is extremely crucial for time series data, due to its unique annotation bottleneck caused by its complex characteristics and lack of visual cues compared with other data modalities. In recent years, unsupervised representation learning techniques have advanced rapidly in various domains. However, there is a lack of systematic analysis of unsupervised representation learning approaches for time series. To fill the gap, we conduct a comprehensive literature review of existing rapidly evolving unsupervised representation learning approaches for time series. Moreover, we also develop a unified and standardized library, named ULTS (i.e., Unsupervised Learning for Time Series), to facilitate fast implementations and unified evaluations on various models. With ULTS, we empirically evaluate state-of-the-art approaches, especially the rapidly evolving contrastive learning methods, on 9 diverse real-world datasets. We further discuss practical considerations as well as open research challenges on unsupervised representation learning for time series to facilitate future research in this field.
• Abstract（参考訳）: 教師なし表現学習アプローチは、すべてのサンプルに注釈をつけることなく、ラベルのないデータから識別的特徴表現を学習することを目的としている。 教師なし表現学習は、その複雑な特徴と他のデータモダリティと比較して視覚的手がかりの欠如によって引き起こされるユニークなアノテーションボトルネックのため、時系列データにとって極めて重要である。 近年,様々な領域において,教師なし表現学習技術が急速に進歩している。 しかし,時系列における教師なし表現学習手法の体系的分析が欠如している。 このギャップを埋めるために,現在急速に進化している非教師なし表現学習手法の総合的な文献レビューを行う。 さらに, 高速な実装と各種モデルの統一評価を容易にするため, ULTS (Unsupervised Learning for Time Series) と呼ばれる統一されたライブラリも開発している。 ultsでは,9種類の実世界のデータセット上で,最先端のアプローチ,特に急速に進化するコントラスト学習手法を実証的に評価する。 さらに,この分野における今後の研究を促進するために,時系列の教師なし表現学習に関するオープン研究課題と実践的考察についても論じる。

関連論文リスト

• Self-Supervised Learning of Disentangled Representations for Multivariate Time-Series [10.99576829280084]
  TimeDRLは多変量時系列表現学習のためのフレームワークである。 TimeDRLの特徴は, []トークン戦略を用いたタイムスタンプレベルおよびインスタンスレベルの埋め込み, (ii)表現学習のためのタイムスタンプ予測およびインスタンスコントラストタスク, (iii)帰納的バイアスを取り除くための拡張手法の回避である。 予測と分類データセットの実験では、TimeDRLは既存の手法よりも優れており、ラベル付きデータに制限のある半教師付き設定でさらなる検証が行われている。
  論文  参考訳（メタデータ） (2024-10-16T14:24:44Z)
• Multi-Granularity Framework for Unsupervised Representation Learning of Time Series [1.003058966910087]
  本稿では,時系列の多粒度表現学習を実現するための教師なしフレームワークを提案する。 具体的には、粒度と粒度の粗さを関連付けるために、粒度変換器を用いた。 さらに,時系列の多粒度表現を学習するための教師なし学習タスクとして検索タスクを導入した。
  論文  参考訳（メタデータ） (2023-12-12T13:25:32Z)
• Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
  非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。 統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。 学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
  論文  参考訳（メタデータ） (2022-08-29T15:14:21Z)
• Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
  半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。 本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
  論文  参考訳（メタデータ） (2022-08-24T04:26:21Z)
• Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
  解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。 人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。 本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
  論文  参考訳（メタデータ） (2022-04-26T02:22:28Z)
• Unsupervised Visual Time-Series Representation Learning and Clustering [2.610470075814367]
  時系列データは、インターネット・オブ・シングス(Internet-of-Things)インフラストラクチャ、コネクテッド・アンド・ウェアラブルデバイス、リモートセンシング、自律運転研究、オーディオビデオ通信からユビキタスに生成される。 本稿では,これらの時系列における教師なし表現学習の可能性について検討する。
  論文  参考訳（メタデータ） (2021-11-19T16:44:33Z)
• Rethinking the Representational Continuity: Towards Unsupervised Continual Learning [45.440192267157094]
  教師なし連続学習(UCL)は、以前獲得した知識を忘れずに一連のタスクを学習することを目的としている。 連続学習には注釈付きデータへの依存は必要ないことを示す。 本稿では,無教師表現に対する破滅的忘れを緩和するために,生涯無教師混合(LUMP)を提案する。
  論文  参考訳（メタデータ） (2021-10-13T18:38:06Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Deep Partial Multi-View Learning [94.39367390062831]
  クロスパーシャル・マルチビュー・ネットワーク(CPM-Nets)と呼ばれる新しいフレームワークを提案する。 我々はまず、多視点表現に対する完全性と汎用性の形式的な定義を提供する。 そして、理論的に学習された潜在表現の多元性を証明する。
  論文  参考訳（メタデータ） (2020-11-12T02:29:29Z)
• A Sober Look at the Unsupervised Learning of Disentangled Representations and their Evaluation [63.042651834453544]
  モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。 異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。 以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2020-10-27T10:17:15Z)

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。