論文の概要: Rank Supervised Contrastive Learning for Time Series Classification

• arxiv url: http://arxiv.org/abs/2401.18057v1
• Date: Wed, 31 Jan 2024 18:29:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 13:27:37.822094
• Title: Rank Supervised Contrastive Learning for Time Series Classification
• Title（参考訳）: 時系列分類における教師付きコントラスト学習
• Authors: Qianying Ren, Dongsheng Luo, Dongjin Song
• Abstract要約: 時系列分類を行うためにRankSCL(Rank Supervised Contrastive Learning)を提案する。 RankSCLは埋め込みスペースにおいて、ターゲットとする方法で生データを増強する。 異なるレベルの正のサンプルに対して異なる重みを割り当てるために、新しいランク損失が開発された。
• 参考スコア（独自算出の注目度）: 19.446437832981545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, various contrastive learning techniques have been developed to categorize time series data and exhibit promising performance. A general paradigm is to utilize appropriate augmentations and construct feasible positive samples such that the encoder can yield robust and discriminative representations by mapping similar data points closer together in the feature space while pushing dissimilar data points farther apart. Despite its efficacy, the fine-grained relative similarity (e.g., rank) information of positive samples is largely ignored, especially when labeled samples are limited. To this end, we present Rank Supervised Contrastive Learning (RankSCL) to perform time series classification. Different from conventional contrastive learning frameworks, RankSCL augments raw data in a targeted way in the embedding space and adopts certain filtering rules to select more informative positive and negative pairs of samples. Moreover, a novel rank loss is developed to assign different weights for different levels of positive samples, enable the encoder to extract the fine-grained information of the same class, and produce a clear boundary among different classes. Thoroughly empirical studies on 128 UCR datasets and 30 UEA datasets demonstrate that the proposed RankSCL can achieve state-of-the-art performance compared to existing baseline methods.
• Abstract（参考訳）: 近年,時系列データを分類し,有望な性能を示すためのコントラスト学習手法が開発されている。 一般的なパラダイムは、類似したデータポイントを特徴空間に密接にマッピングし、異質なデータポイントをより遠くに押すことによって、エンコーダがロバストで判別的な表現を得られるように、適切な拡張と実現可能なポジティブなサンプルを構築することである。 有効性にもかかわらず、特にラベル付きサンプルが限られている場合には、正のサンプルの細かな相対的類似性(ランクなど)はほとんど無視される。 この目的のために、時系列分類を行うためにRankSCL(Rank Supervised Contrastive Learning)を提示する。 従来のコントラスト学習フレームワークとは異なり、ranksclは埋め込み空間で対象とする方法で生データを拡張し、特定のフィルタリングルールを採用し、より有益でネガティブなサンプルペアを選択する。 さらに、異なるレベルの正のサンプルに対して異なる重みを割り当て、エンコーダが同一クラスのきめ細かい情報を抽出し、異なるクラス間の明確な境界を生成できるように、新しいランク損失が開発された。 128のUCRデータセットと30のUEAデータセットに関する大まかに実証的な研究は、提案されたRangSCLが既存のベースライン手法と比較して最先端のパフォーマンスを達成できることを実証している。

関連論文リスト

• Decoupled Contrastive Learning for Long-Tailed Recognition [58.255966442426484]
  Supervised Contrastive Loss (SCL) は視覚表現学習で人気がある。 ロングテール認識のシナリオでは、各クラスのサンプル数が不均衡である場合、2種類の正のサンプルを同じように扱うと、カテゴリー内距離に対するバイアス最適化が導かれる。 そこで我々は,尾級の低表現を緩和するために,頭級から尾級へ知識を伝達するためのパッチベースの自己蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-03-10T09:46:28Z)
• Supervised Stochastic Neighbor Embedding Using Contrastive Learning [4.560284382063488]
  同じクラスに属するサンプルのクラスタは、低次元の埋め込み空間にまとめられる。 我々は、自己教師付きコントラスト的アプローチを完全教師付き設定に拡張し、ラベル情報を効果的に活用する。
  論文  参考訳（メタデータ） (2023-09-15T00:26:21Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• 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)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Few-shot Object Detection with Refined Contrastive Learning [4.520231308678286]
  Refined Contrastive Learning (FSRC) を用いた新しい複数ショットオブジェクト検出法を提案する。 コンフリブルクラスを含む新しいクラスからResemblance Groupを見つけるために、事前決定コンポーネントが導入された。 RCLはクラス間の距離を増やすために、このクラスのグループで指摘される。
  論文  参考訳（メタデータ） (2022-11-24T09:34:20Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Tackling Online One-Class Incremental Learning by Removing Negative Contrasts [12.048166025000976]
  他の連続的な学習設定とは違い、学習者は1回だけ新しいサンプルが提示される。 ER-AMLは、入力データと再生データにコントラスト学習に基づく非対称な損失を適用することにより、この設定で強い性能を達成した。 我々は、教師付き学習から教師付き学習環境へ、最近提案されたアプローチを適応させ、コントラストの制約を解き放つ。
  論文  参考訳（メタデータ） (2022-03-24T19:17:29Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)

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。