論文の概要: Class-incremental Learning for Time Series: Benchmark and Evaluation

• arxiv url: http://arxiv.org/abs/2402.12035v2
• Date: Sat, 3 Aug 2024 13:29:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 23:36:13.564752
• 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）: 24.39008346076859
• 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)問題を引き起こすことを要求される。 しかし、画像や言語領域の進歩が活発であるにもかかわらず、時系列データに対するCILは比較的検討されていない。 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サポートする統一された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。 我々の広範な実験は、将来の研究をサポートするための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閾値といった様々な設計要因の影響にも光を当てています。 コードはhttps://github.com/zqiao11/TSCILで入手できる。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark [47.52603262576663]
  一つのフレームワークにおける新しいクラス到着とドメインシフトの課題を組み合わせた新しいベンチマークを提案する。 本ベンチマークは,医療画像における多ラベル分類問題に対する現実的なCL設定をモデル化することを目的とする。
  論文  参考訳（メタデータ） (2024-04-10T09:35:36Z)
• 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)
• 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 [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• 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。