論文の概要: Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification
- arxiv url: http://arxiv.org/abs/2311.03194v1
- Date: Mon, 6 Nov 2023 15:32:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 14:02:43.275681
- Title: Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification
- Title（参考訳）: 時系列分類のためのデータ拡張と時間周波数変換を用いたFew-shot Learning
- Authors: Hao Zhang, Zhendong Pang, Jiangpeng Wang, Teng Li
- Abstract要約: データ拡張による新しい数ショット学習フレームワークを提案する。
シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。
本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
- 参考スコア（独自算出の注目度）: 6.830148185797109
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNNs) that tackle the time series classification (TSC)
task have provided a promising framework in signal processing. In real-world
applications, as a data-driven model, DNNs are suffered from insufficient data.
Few-shot learning has been studied to deal with this limitation. In this paper,
we propose a novel few-shot learning framework through data augmentation, which
involves transformation through the time-frequency domain and the generation of
synthetic images through random erasing. Additionally, we develop a
sequence-spectrogram neural network (SSNN). This neural network model composes
of two sub-networks: one utilizing 1D residual blocks to extract features from
the input sequence while the other one employing 2D residual blocks to extract
features from the spectrogram representation. In the experiments, comparison
studies of different existing DNN models with/without data augmentation are
conducted on an amyotrophic lateral sclerosis (ALS) dataset and a wind turbine
fault (WTF) dataset. The experimental results manifest that our proposed method
achieves 93.75% F1 score and 93.33% accuracy on the ALS datasets while 95.48%
F1 score and 95.59% accuracy on the WTF datasets. Our methodology demonstrates
its applicability of addressing the few-shot problems for time series
classification.
- Abstract（参考訳）: 時系列分類(TSC)タスクに取り組むディープニューラルネットワーク(DNN)は、信号処理において有望なフレームワークを提供する。
実世界のアプリケーションでは、データ駆動型モデルとして、DNNは不十分なデータに悩まされている。
この制限に対処するために、数少ない学習が研究されている。
本稿では,時間周波数領域を通した変換とランダム消去による合成画像の生成を含む,データ拡張による新しい単発学習フレームワークを提案する。
さらに,シーケンススペクトルニューラルネットワーク(ssnn)を開発した。
このニューラルネットワークモデルは、入力シーケンスから特徴を抽出するために1D残差ブロックを利用するサブネットワークと、スペクトログラム表現から特徴を抽出するために2D残差ブロックを使用する2つのサブネットワークで構成されている。
実験では, 筋萎縮性側索硬化症 (ALS) データセットと風力タービン断層 (WTF) データセットを用いて, 既存のDNNモデルの比較検討を行った。
その結果,提案手法はALSデータセットでは93.75%のF1スコアと93.33%の精度を示し,95.48%のF1スコアと95.59%の精度を示した。
提案手法は,時系列分類における少数問題への対処可能性を示す。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Functional Neural Networks: Shift invariant models for functional data
with applications to EEG classification [0.0]
我々は、データのスムーズさを保ちながら不変な新しいタイプのニューラルネットワークを導入する:関数型ニューラルネットワーク(FNN)
そこで我々は,多層パーセプトロンと畳み込みニューラルネットワークを機能データに拡張するために,機能データ分析(FDA)の手法を用いる。
脳波(EEG)データの分類にFNNをうまく利用し,FDAのベンチマークモデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-01-14T09:41:21Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳（メタデータ） (2022-05-01T12:44:49Z) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳（メタデータ） (2022-04-21T09:40:30Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - 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) - Drowsiness Detection Based On Driver Temporal Behavior Using a New
Developed Dataset [1.8811803364757564]
顔の特徴を自動的に抽出するためにYOLOv3 (You Look Only Once-version3) CNNを適用した。
そして、LSTMニューラルネットワークを用いて、あくびや点滅時間などのドライバーの時間行動を学ぶ。
以上の結果から,CNNとLSTMの併用による眠気検出と提案手法の有効性が示唆された。
論文 参考訳（メタデータ） (2021-03-31T21:15:29Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Comparing SNNs and RNNs on Neuromorphic Vision Datasets: Similarities
and Differences [36.82069150045153]
スパイキングニューラルネットワーク(SNN)とリカレントニューラルネットワーク(RNN)は、ニューロモルフィックデータに基づいてベンチマークされる。
本研究では,SNNとRNNをニューロモルフィックデータと比較するための系統的研究を行う。
論文 参考訳（メタデータ） (2020-05-02T10:19:37Z)
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。