論文の概要: Towards Diverse Perspective Learning with Selection over Multiple Temporal Poolings

• arxiv url: http://arxiv.org/abs/2403.09749v1
• Date: Thu, 14 Mar 2024 05:02:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 21:35:10.683369
• Title: Towards Diverse Perspective Learning with Selection over Multiple Temporal Poolings
• Title（参考訳）: 複数の時間的ポーリングの選択による多視点学習に向けて
• Authors: Jihyeon Seong, Jungmin Kim, Jaesik Choi,
• Abstract要約: 多様な視点から学習する新しい時間プール手法の提案:複数時間プールの選択(SoM-TP) SoM-TPは、データごとに複数のメソッド間の最適時間プーリングを動的に選択する。 また,多くのUCR/UEAレポジトリを持つTSCにおいて,他の時間プールや最先端モデルに基づくCNNモデルよりも優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 19.83093334301568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Time Series Classification (TSC), temporal pooling methods that consider sequential information have been proposed. However, we found that each temporal pooling has a distinct mechanism, and can perform better or worse depending on time series data. We term this fixed pooling mechanism a single perspective of temporal poolings. In this paper, we propose a novel temporal pooling method with diverse perspective learning: Selection over Multiple Temporal Poolings (SoM-TP). SoM-TP dynamically selects the optimal temporal pooling among multiple methods for each data by attention. The dynamic pooling selection is motivated by the ensemble concept of Multiple Choice Learning (MCL), which selects the best among multiple outputs. The pooling selection by SoM-TP's attention enables a non-iterative pooling ensemble within a single classifier. Additionally, we define a perspective loss and Diverse Perspective Learning Network (DPLN). The loss works as a regularizer to reflect all the pooling perspectives from DPLN. Our perspective analysis using Layer-wise Relevance Propagation (LRP) reveals the limitation of a single perspective and ultimately demonstrates diverse perspective learning of SoM-TP. We also show that SoM-TP outperforms CNN models based on other temporal poolings and state-of-the-art models in TSC with extensive UCR/UEA repositories.
• Abstract（参考訳）: 時系列分類(TSC)では,時系列情報を考慮した時間プール法が提案されている。 しかし、各時間プーリングは異なるメカニズムを持ち、時系列データによっては、より良く、より悪く実行できることがわかった。 この固定プール機構を時間プーリングの単一視点とする。 本稿では,多視点学習を用いた新しい時間プール手法を提案する: 複数時間プールの選択(SoM-TP)。 SoM-TPは、データごとに複数のメソッド間の最適時間プーリングを動的に選択する。 動的プール選択は、複数の出力の中からベストを選択するMCL(Multiple Choice Learning)というアンサンブル概念によって動機付けられている。 SoM-TPの注意によるプール選択は、単一の分類器内での非定位プールアンサンブルを可能にする。 さらに,視点損失とディバース・パースペクティブ・ラーニング・ネットワーク(DPLN)を定義した。 この損失は、DPLNの全てのプール視点を反映するレギュレータとして機能する。 LRP(Layer-wise Relevance Propagation)を用いた視点分析では,単一視点の制限が明らかになり,最終的には SoM-TP の多様な視点学習が示される。 また,多くのUCR/UEAレポジトリを持つTSCにおいて,他の時間プールや最先端モデルに基づくCNNモデルよりも優れた性能を示すことを示す。

関連論文リスト

• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Spatio-temporal Diffusion Point Processes [23.74522530140201]
  パティオ・テンポラル・ポイント・プロセス(英: patio-temporal point process、STPP)は、時間と空間を伴うイベントの集合である。 結合分布のモデル化に失敗すると、与えられた事象の過去の時間的相互作用を特徴づける能力は限られる。 複雑な時空間の関節分布を学習する新しいパラメータ化フレームワークを提案する。 我々のフレームワークは最先端のベースラインを著しく上回り、平均50%以上の改善がなされています。
  論文  参考訳（メタデータ） (2023-05-21T08:53:00Z)
• An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection [2.387411589813086]
  本稿では,教師なし短時間・長期マスク表現学習(SLMR)に基づく異常検出手法を提案する。 実験により,本手法の性能は,実世界の3つのデータセットにおいて,他の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-19T09:34:11Z)
• Temporal-attentive Covariance Pooling Networks for Video Recognition [52.853765492522655]
  既存のビデオアーキテクチャは、通常、単純なグローバル平均プール法(GAP)を用いてグローバル表現を生成する。 本稿では,深いアーキテクチャの端に挿入される減衰共分散プーリング(TCP-TCP)を提案する。 我々のTCPはモデルに依存しないため、任意のビデオアーキテクチャに柔軟に統合できるため、効果的なビデオ認識のためのTCPNetとなる。
  論文  参考訳（メタデータ） (2021-10-27T12:31:29Z)
• Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
  本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。 時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。 完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-04-02T08:58:44Z)
• Bayesian Feature Selection in Joint Quantile Time Series Analysis [1.2419096638953384]
  本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。 QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。 QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-04T18:56:34Z)
• Hierarchical Optimal Transport for Robust Multi-View Learning [97.21355697826345]
  2つの仮定は実際には疑わしいが、これは多視点学習の適用を制限する。 本稿では,これら2つの仮定への依存性を軽減するために,階層的最適輸送法を提案する。 HOT法は教師なし学習と半教師付き学習の両方に適用でき、実験結果から、合成タスクと実世界のタスクの両方で堅牢に動作することが示された。
  論文  参考訳（メタデータ） (2020-06-04T22:24:45Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
  MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
  論文  参考訳（メタデータ） (2020-05-01T07:46:29Z)
• Spatial-Temporal Multi-Cue Network for Continuous Sign Language Recognition [141.24314054768922]
  本稿では、視覚に基づくシーケンス学習問題を解決するために、時空間マルチキュー(STMC)ネットワークを提案する。 有効性を検証するため、3つの大規模CSLRベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-02-08T15:38:44Z)

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。