論文の概要: Class-incremental Learning for Time Series: Benchmark and Evaluation
- arxiv url: http://arxiv.org/abs/2402.12035v1
- Date: Mon, 19 Feb 2024 10:43:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 17:04:13.072540
- Title: Class-incremental Learning for Time Series: Benchmark and Evaluation
- Title(参考訳): 時系列のクラスインクリメンタル学習:ベンチマークと評価
- Authors: Zhongzheng Qiao, Quang Pham, Zhen Cao, Hoang H Le, P.N.Suganthan,
Xudong Jiang, Ramasamy Savitha
- Abstract要約: 本稿では,時系列クラスインクリメンタルラーニング(TSCIL)問題の概要を述べる。
標準化された設定に基づいて,新しいアルゴリズムの迅速な開発を支援する統一的な実験フレームワークを開発する。
このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々な汎用および時系列固有のCIL手法を包括的に評価する。
- 参考スコア(独自算出の注目度): 25.613141772513305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world environments are inherently non-stationary, frequently introducing
new classes over time. This is especially common in time series classification,
such as the emergence of new disease classification in healthcare or the
addition of new activities in human activity recognition. In such cases, a
learning system is required to assimilate novel classes effectively while
avoiding catastrophic forgetting of the old ones, which gives rise to the
Class-incremental Learning (CIL) problem. However, despite the encouraging
progress in the image and language domains, CIL for time series data remains
relatively understudied. Existing studies suffer from inconsistent experimental
designs, necessitating a comprehensive evaluation and benchmarking of methods
across a wide range of datasets. To this end, we first present an overview of
the Time Series Class-incremental Learning (TSCIL) problem, highlight its
unique challenges, and cover the advanced methodologies. Further, based on
standardized settings, we develop a unified experimental framework that
supports the rapid development of new algorithms, easy integration of new
datasets, and standardization of the evaluation process. Using this framework,
we conduct a comprehensive evaluation of various generic and
time-series-specific CIL methods in both standard and privacy-sensitive
scenarios. Our extensive experiments not only provide a standard baseline to
support future research but also shed light on the impact of various design
factors such as normalization layers or memory budget thresholds. Codes are
available at https://github.com/zqiao11/TSCIL.
- Abstract(参考訳): 現実の環境は本質的に非定常的であり、時間とともに新しいクラスを頻繁に導入する。
これは、医療における新しい疾患分類の出現や、人間の活動認識における新しい活動の追加など、時系列分類において特に一般的である。
このような場合、学習システムは、新しいクラスを効果的に同化しつつ、古いクラスを破滅的に忘れてしまうことを回避し、クラス増進学習(CIL)問題を引き起こす。
しかし、画像と言語領域の進歩を奨励しているにもかかわらず、時系列データのcilは比較的未熟である。
既存の研究は一貫性のない実験設計に悩まされており、幅広いデータセットにわたる手法の包括的な評価とベンチマークが必要である。
この目的のために、まず、時系列クラス増分学習(TSCIL)問題の概要を述べ、その独特な課題を強調し、先進的な方法論を取り上げる。
さらに、標準化された設定に基づいて、新しいアルゴリズムの迅速な開発、新しいデータセットの容易な統合、評価プロセスの標準化を支援する統一実験フレームワークを開発した。
このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々なジェネリックおよび時系列固有のcilメソッドを包括的に評価する。
我々の広範な実験は、将来の研究をサポートする標準ベースラインを提供するだけでなく、正規化層やメモリ予算しきい値といった様々な設計要因の影響にも光を当てた。
コードはhttps://github.com/zqiao11/TSCILで入手できる。
関連論文リスト
- Few-Shot Class-Incremental Learning via Training-Free Prototype
Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。
我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文 参考訳(メタデータ) (2023-12-08T18:24:08Z) - Data-driven Preference Learning Methods for Sorting Problems with
Multiple Temporal Criteria [17.673512636899076]
本研究では,時間的基準が存在する場合の複数基準ソート問題に対する新しい選好学習手法を提案する。
スケーラビリティを向上し、学習可能な時間割引要素に対応するため、新しい単調リカレントニューラルネットワーク(mRNN)を導入する。
提案するmRNNは、時間とともに、限界値関数とパーソナライズされた時間割引係数を記述することにより、好みのダイナミクスを記述することができる。
論文 参考訳(メタデータ) (2023-09-22T05:08:52Z) - Generalized Continual Category Discovery [16.10193347806559]
ほとんどのCL(Continuous Learning)メソッドは、エージェントが新しいラベル付きタスクを学習し、以前の知識を忘れないことを期待する、教師付き学習設定の限界を押し上げる。
我々は、この仮定を緩和する新しい枠組みを導入する。正確には、あらゆるタスクにおいて、新しいクラスや既知のクラスの存在を許容し、教師なし学習手法の連続的なバージョンを使用して発見する必要がある。
本稿では,教師付き信号と教師なし信号の両方を組み込んで,セントロイド適応を用いて忘れを緩和する手法を提案する。
論文 参考訳(メタデータ) (2023-08-23T13:02:52Z) - Multivariate Time Series Early Classification Across Channel and Time
Dimensions [3.5786621294068373]
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。
論文 参考訳(メタデータ) (2023-06-26T11:30:33Z) - Large-scale Pre-trained Models are Surprisingly Strong in Incremental
Novel Class Discovery [76.35226130521758]
我々は,MSc-iNCDという,より挑戦的で実践的な学習パラダイムを提案する。
本研究では,MSc-iNCDという,より困難で実践的な学習パラダイムを提案する。
論文 参考訳(メタデータ) (2023-03-28T13:47:16Z) - Deep Class-Incremental Learning: A Survey [68.21880493796442]
常に変化する世界で、新しいクラスが時々現れます。
新しいクラスのインスタンスでモデルを直接トレーニングする場合、モデルは破滅的に以前のモデルの特徴を忘れる傾向があります。
ベンチマーク画像分類タスクにおける16の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
論文 参考訳(メタデータ) (2023-02-07T17:59:05Z) - Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。
これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。
この作業における上記の問題に対処する。
論文 参考訳(メタデータ) (2022-10-10T20:31:19Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳(メタデータ) (2022-04-12T12:25:05Z) - Bridging Non Co-occurrence with Unlabeled In-the-wild Data for
Incremental Object Detection [56.22467011292147]
物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。
有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。
そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
論文 参考訳(メタデータ) (2021-10-28T10:57:25Z)
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。