論文の概要: Finding Order in Chaos: A Novel Data Augmentation Method for Time Series in Contrastive Learning

• arxiv url: http://arxiv.org/abs/2309.13439v1
• Date: Sat, 23 Sep 2023 17:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 19:53:43.654456
• Title: Finding Order in Chaos: A Novel Data Augmentation Method for Time Series in Contrastive Learning
• Title（参考訳）: カオスにおける順序を見つける: コントラスト学習における時系列の新しいデータ拡張法
• Authors: Berken Utku Demirel and Christian Holz
• Abstract要約: 準周期的時系列タスクのための新しいデータ拡張手法を提案する。 提案手法は,新しい手法を取り入れた,よく知られた混合手法に基づいている。 本稿では,心拍数推定,人的活動認識,心血管疾患検出の3つの課題について検討した。
• 参考スコア（独自算出の注目度）: 26.053496478247236
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The success of contrastive learning is well known to be dependent on data augmentation. Although the degree of data augmentations has been well controlled by utilizing pre-defined techniques in some domains like vision, time-series data augmentation is less explored and remains a challenging problem due to the complexity of the data generation mechanism, such as the intricate mechanism involved in the cardiovascular system. Moreover, there is no widely recognized and general time-series augmentation method that can be applied across different tasks. In this paper, we propose a novel data augmentation method for quasi-periodic time-series tasks that aims to connect intra-class samples together, and thereby find order in the latent space. Our method builds upon the well-known mixup technique by incorporating a novel approach that accounts for the periodic nature of non-stationary time-series. Also, by controlling the degree of chaos created by data augmentation, our method leads to improved feature representations and performance on downstream tasks. We evaluate our proposed method on three time-series tasks, including heart rate estimation, human activity recognition, and cardiovascular disease detection. Extensive experiments against state-of-the-art methods show that the proposed approach outperforms prior works on optimal data generation and known data augmentation techniques in the three tasks, reflecting the effectiveness of the presented method. Source code: https://github.com/eth-siplab/Finding_Order_in_Chaos
• Abstract（参考訳）: コントラスト学習の成功は、データ拡張に依存することがよく知られている。 視覚などの領域で予め定義された技術を利用することで、データ拡張の程度は十分に制御されているが、時系列データ拡張の探求は少なく、心血管系に関わる複雑なメカニズムのようなデータ生成メカニズムの複雑さにより、依然として課題となっている。 さらに、異なるタスクにまたがって適用可能な、広く認識され、一般的な時系列拡張方法は存在しない。 本稿では,クラス内サンプルを結合し,潜在空間における順序を求めることを目的とした,準周期時系列タスクのための新しいデータ拡張手法を提案する。 本手法は,非定常時間系列の周期的性質を考慮に入れた新しい手法を取り入れた,よく知られた混合手法に基づく。 また,データ拡張によって生じるカオスの度合いを制御することにより,下流タスクにおける特徴表現の改善と性能向上につながる。 提案手法は心拍数推定,ヒューマンアクティビティ認識,心血管疾患検出の3つの課題について検討した。 提案手法は, 提案手法の有効性を反映して, 3つのタスクにおいて, 最適データ生成および既知のデータ拡張技術に関する先行研究より優れていることを示す。 ソースコード: https://github.com/eth-siplab/finding_order_in_chaos

関連論文リスト

• An Unsupervised Approach for Periodic Source Detection in Time Series [22.053675805215686]
  ノイズのある時系列データ内の周期的関心パターンの検出は、様々なタスクにおいて重要な役割を果たす。 既存の学習技術は、しばしば周期性を検出するためにラベルやクリーンな信号に頼っている。 本稿では,ラベルを使わずに時系列の周期性を検出する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-01T22:23:51Z)
• 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)
• LEAVES: Learning Views for Time-Series Data in Contrastive Learning [16.84326709739788]
  時系列データのための学習ビュー(LEAVES)という,対照的な学習における時系列データのビュー生成を自動化するモジュールを提案する。 提案手法は, 合理的な視点の探索に有効であり, ベースラインよりも下流タスクを効果的に行う。
  論文  参考訳（メタデータ） (2022-10-13T20:18:22Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Contrastive Neural Processes for Self-Supervised Learning [1.8059331230167266]
  コントラスト学習とニューラルプロセスを組み合わせた,新たな自己教師型学習フレームワークを提案する。 これは、時系列予測を実行するために、最近のニューラルネットワークプロセスの進歩に依存している。 従来の自己教師型手法とは異なり、拡張パイプラインはタスクに依存しないため、様々なアプリケーションでうまく機能する。
  論文  参考訳（メタデータ） (2021-10-24T21:01:27Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
  時系列データに対する様々なデータ拡張手法を体系的に検討する。 時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
  論文  参考訳（メタデータ） (2020-02-27T23:38:11Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。