論文の概要: Con4m: Context-aware Consistency Learning Framework for Segmented Time Series Classification

• arxiv url: http://arxiv.org/abs/2408.00041v1
• Date: Wed, 31 Jul 2024 14:06:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 00:27:00.118252
• Title: Con4m: Context-aware Consistency Learning Framework for Segmented Time Series Classification
• Title（参考訳）: Con4m:セグメンテッド時系列分類のためのコンテキスト対応一貫性学習フレームワーク
• Authors: Junru Chen, Tianyu Cao, Jing Xu, Jiahe Li, Zhilong Chen, Tao Xiao, Yang Yang,
• Abstract要約: 時系列分類(TSC)は、シーケンス全体を分類するか、セグメント化されたサブシーケンスを分類する2つの設定を含む。 MVDの特徴はセグメンテーションされたTSCに固有の課題をもたらすが、既存の研究でほとんど見落とされた。 連続セグメントの識別にコンテキスト情報を効果的に活用する新しい一貫性学習フレームワークCon4mを提案する。
• 参考スコア（独自算出の注目度）: 12.707000191475002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time Series Classification (TSC) encompasses two settings: classifying entire sequences or classifying segmented subsequences. The raw time series for segmented TSC usually contain Multiple classes with Varying Duration of each class (MVD). Therefore, the characteristics of MVD pose unique challenges for segmented TSC, yet have been largely overlooked by existing works. Specifically, there exists a natural temporal dependency between consecutive instances (segments) to be classified within MVD. However, mainstream TSC models rely on the assumption of independent and identically distributed (i.i.d.), focusing on independently modeling each segment. Additionally, annotators with varying expertise may provide inconsistent boundary labels, leading to unstable performance of noise-free TSC models. To address these challenges, we first formally demonstrate that valuable contextual information enhances the discriminative power of classification instances. Leveraging the contextual priors of MVD at both the data and label levels, we propose a novel consistency learning framework Con4m, which effectively utilizes contextual information more conducive to discriminating consecutive segments in segmented TSC tasks, while harmonizing inconsistent boundary labels for training. Extensive experiments across multiple datasets validate the effectiveness of Con4m in handling segmented TSC tasks on MVD.
• Abstract（参考訳）: 時系列分類(TSC)は、シーケンス全体を分類するか、セグメント化されたサブシーケンスを分類する2つの設定を含む。 セグメント化されたTSCの生の時系列は通常、各クラスのVarying Duration(MVD)を持つ複数のクラスを含む。 したがって、MVDの特徴はセグメント化されたTSCに固有の課題を生じさせるが、既存の研究でほとんど見落とされた。 具体的には、MVD内で分類される連続するインスタンス(セグメント)の間に自然な時間依存性が存在する。 しかし、主流のTSCモデルは独立性と同一分布(すなわち、各セグメントを独立にモデル化すること)の仮定に依存している。 さらに、様々な専門知識を持つアノテータは、一貫性のない境界ラベルを提供し、ノイズのないTSCモデルの不安定な性能をもたらす可能性がある。 これらの課題に対処するために、我々はまず、価値ある文脈情報が分類インスタンスの識別力を高めることを正式に示す。 データレベルとラベルレベルの両方でMVDの文脈的先行性を活用することで、セグメンテーションされたTSCタスクの連続セグメントを識別し、一貫性のない境界ラベルをトレーニング用に調和させながら、文脈的情報を効果的に活用する新しい一貫性学習フレームワークCon4mを提案する。 複数のデータセットにわたる大規模な実験は、MVD上のセグメント化されたTSCタスクの処理におけるCon4mの有効性を検証する。

関連論文リスト

• Exploring Hierarchical Classification Performance for Time Series Data: Dissimilarity Measures and Classifier Comparisons [0.0]
  本研究では,時系列データ解析における階層分類(HC)とフラット分類(FC)の手法の比較性能について検討した。 Jensen-Shannon Distance (JSD), Task similarity Distance (TSD), Based Distance (CBD)などの異種性対策が活用されている。
  論文  参考訳（メタデータ） (2024-02-07T21:46:26Z)
• SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised Temporal Action Segmentation [53.010417880335424]
  半教師付き時間的アクションセグメンテーション(SS-TA)は、長編ビデオにおいてフレームワイズ分類を行うことを目的としている。 近年の研究では、教師なし表現学習におけるコントラスト学習の可能性が示されている。 本稿では,SMC-NCA(Neighbourhood-Consistency-Aware Unit)を用いたセマンティック誘導型マルチレベルコントラスト方式を提案する。
  論文  参考訳（メタデータ） (2023-12-19T17:26:44Z)
• SimCS: Simulation for Domain Incremental Online Continual Segmentation [60.18777113752866]
  既存の継続学習アプローチは、主にクラス増分設定における画像分類に焦点を当てている。 シミュレーションデータを用いて連続学習を規則化するパラメータフリー手法であるSimCSを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:17:33Z)
• ClaSP -- Parameter-free Time Series Segmentation [6.533695062182296]
  時系列セグメンテーションのための新しい,高精度かつドメインに依存しない手法である ClaSP を提案する。 ClaSP は、TS を2つの部分に階層的に分割する。変更点は、可能な分割点ごとにバイナリTS分類器を訓練し、それぞれの分割からサブシーケンスを特定するのに最適な1つの分割を選択することによって決定される。 実験では,115データセットのベンチマークを用いて,ClaSPが精度で高い性能を示し,高速かつスケーラブルであることを示す。
  論文  参考訳（メタデータ） (2022-07-28T10:05:53Z)
• Fine-grained Temporal Contrastive Learning for Weakly-supervised Temporal Action Localization [87.47977407022492]
  本稿では,シーケンス・ツー・シーケンスの区別を文脈的に比較することで学習が,弱い教師付き行動の局所化に不可欠な帰納的バイアスをもたらすことを論じる。 微分可能な動的プログラミングの定式化の下では、FSD(Fen-fine Sequence Distance)とLCS(Longest Common Subsequence)の2つの相補的コントラストが設計されている。 提案手法は,2つのベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T05:13:50Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• Classification of multivariate weakly-labelled time-series with attention [0.0]
  弱いラベル付き時系列は、ノイズと重大な冗長性を含む時系列である。 本稿では,サブシーケンスの文脈関連を活用し,分類精度を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2021-02-16T16:05:38Z)
• Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
  時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。 近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。 本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T15:56:40Z)

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。