論文の概要: CAAP: Class-Dependent Automatic Data Augmentation Based On Adaptive Policies For Time Series

• arxiv url: http://arxiv.org/abs/2404.00898v1
• Date: Mon, 1 Apr 2024 03:51:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 23:26:11.512904
• Title: CAAP: Class-Dependent Automatic Data Augmentation Based On Adaptive Policies For Time Series
• Title（参考訳）: CAAP: 時系列の適応ポリシーに基づくクラス依存型自動データ拡張
• Authors: Tien-Yu Chang, Hao Dai, Vincent S. Tseng,
• Abstract要約: 本稿では,クラス依存型自動適応ポリシー(CAAP)フレームワークという,ディープラーニングに基づく新しいアプローチを提案する。 CAAPフレームワークは、時系列データ拡張の全体的な改善を維持しながら、注目すべきクラス依存バイアス問題を克服する。 その結果,CAAPは,クラス依存バイアスの低減と,全体的な性能の向上を両立させる上で,代表的手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 5.487882744996215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data Augmentation is a common technique used to enhance the performance of deep learning models by expanding the training dataset. Automatic Data Augmentation (ADA) methods are getting popular because of their capacity to generate policies for various datasets. However, existing ADA methods primarily focused on overall performance improvement, neglecting the problem of class-dependent bias that leads to performance reduction in specific classes. This bias poses significant challenges when deploying models in real-world applications. Furthermore, ADA for time series remains an underexplored domain, highlighting the need for advancements in this field. In particular, applying ADA techniques to vital signals like an electrocardiogram (ECG) is a compelling example due to its potential in medical domains such as heart disease diagnostics. We propose a novel deep learning-based approach called Class-dependent Automatic Adaptive Policies (CAAP) framework to overcome the notable class-dependent bias problem while maintaining the overall improvement in time-series data augmentation. Specifically, we utilize the policy network to generate effective sample-wise policies with balanced difficulty through class and feature information extraction. Second, we design the augmentation probability regulation method to minimize class-dependent bias. Third, we introduce the information region concepts into the ADA framework to preserve essential regions in the sample. Through a series of experiments on real-world ECG datasets, we demonstrate that CAAP outperforms representative methods in achieving lower class-dependent bias combined with superior overall performance. These results highlight the reliability of CAAP as a promising ADA method for time series modeling that fits for the demands of real-world applications.
• Abstract（参考訳）: データ拡張(Data Augmentation)は、トレーニングデータセットを拡張してディープラーニングモデルのパフォーマンスを向上させるための一般的なテクニックである。 さまざまなデータセットのポリシを生成する能力のため、ADA(Automatic Data Augmentation)メソッドが人気を集めている。 しかし、既存のADAメソッドは主にパフォーマンス改善に重点を置いており、特定のクラスのパフォーマンス低下につながるクラス依存バイアスの問題を無視している。 このバイアスは、現実世界のアプリケーションにモデルをデプロイする際の大きな課題となる。 さらに、時系列のADAは未探索の領域であり、この分野の進歩の必要性を強調している。 特に、心電図(ECG)のような重要な信号にADA技術を適用することは、心臓疾患の診断などの医学領域における可能性から、魅力的な例である。 本稿では,クラス依存型自動適応ポリシー(CAAP)フレームワークを新たに提案し,時系列データ拡張の全体的な改善を維持しつつ,クラス依存型バイアス問題を克服する。 具体的には、ポリシーネットワークを利用して、クラスと特徴情報抽出によるバランスのとれたバランスのとれた効果的なサンプルワイズポリシーを生成する。 第2に,クラス依存バイアスを最小限に抑えるため,拡張確率規制法を設計する。 第3に、情報領域の概念をADAフレームワークに導入し、サンプル中の本質的な領域を保存する。 実世界のECGデータセットに関する一連の実験を通して、CAAPはより低いクラス依存バイアスを達成するために代表的手法よりも優れ、全体的な性能が優れていることを実証した。 これらの結果は、実世界のアプリケーションのニーズに適合する時系列モデリングのためのADAメソッドとしてCAAPの信頼性を強調している。

関連論文リスト

• Generalized Group Data Attribution [28.056149996461286]
  データ属性法は、個々のトレーニングデータポイントがモデル出力に与える影響を定量化する。 既存のDAメソッドはしばしば計算集約的であり、大規模な機械学習モデルに適用性を制限する。 本稿では,GA(Generalized Group Data Attribution, GGDA)フレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-10-13T17:51:21Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Deep Unsupervised Domain Adaptation for Time Series Classification: a Benchmark [3.618615996077951]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースデータを利用してラベルなしターゲットデータのモデルをトレーニングすることを目的としている。 本稿では,時系列分類のためのUDA手法の評価ベンチマークを提案する。 さまざまなドメインシフトと時間的ダイナミクスをカバーする7つの新しいベンチマークデータセットを提供する。
  論文  参考訳（メタデータ） (2023-12-15T15:03:55Z)
• Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification [0.11249583407496219]
  Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。 1つの有望な分類経路は、ディープラーニングの手法を適用することである。 本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-10T00:17:07Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• TAAL: Test-time Augmentation for Active Learning in Medical Image Segmentation [7.856339385917824]
  本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。 以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-16T22:19:41Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Hyperparameter-free Continuous Learning for Domain Classification in Natural Language Understanding [60.226644697970116]
  ドメイン分類は自然言語理解(NLU)の基本課題である 既存の継続的な学習アプローチの多くは、低い精度とパフォーマンスの変動に悩まされている。 本研究では,テキストデータに対するパラメータフリー連続学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:46:16Z)
• An Empirical Investigation Towards Efficient Multi-Domain Language Model Pre-training [15.440627147018711]
  我々は破滅的忘れ(CF)を緩和するための既知の方法に関する実証的研究を行っている。 弾性重み統合は7つの一般的なタスクに対して0.33%の低下しか得られない,最高の総合スコアを提供する。
  論文  参考訳（メタデータ） (2020-10-01T09:20:18Z)

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。