Fugu-MT 論文翻訳(概要): Time series classification with random convolution kernels based transforms: pooling operators and input representations matter

論文の概要: Time series classification with random convolution kernels based transforms: pooling operators and input representations matter

arxiv url: http://arxiv.org/abs/2409.01115v1
Date: Mon, 2 Sep 2024 09:42:17 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 07:26:52.394593
Title: Time series classification with random convolution kernels based transforms: pooling operators and input representations matter
Title（参考訳）: ランダム畳み込みカーネルに基づく変換を用いた時系列分類:プーリング演算子と入力表現が重要である
Authors: Mouhamadou Mansour Lo, Gildas Morvan, Mathieu Rossi, Fabrice Morganti, David Mercier,
Abstract要約: 本稿では,SelF-Rocketと呼ばれるMiniRocketに基づく,高速時系列分類(TSC)のための新しいアプローチを提案する。トレーニングプロセス中に最適な入力表現とプーリング演算子を動的に選択する。カリフォルニア大学リバーサイド校(UCR)のベンチマークデータセットで最先端の精度を実現している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This article presents a new approach based on MiniRocket, called SelF-Rocket, for fast time series classification (TSC). Unlike existing approaches based on random convolution kernels, it dynamically selects the best couple of input representations and pooling operator during the training process. SelF-Rocket achieves state-of-the-art accuracy on the University of California Riverside (UCR) TSC benchmark datasets.
Abstract（参考訳）: 本稿では,SelF-Rocketと呼ばれるMiniRocketをベースとした,高速時系列分類(TSC)のための新しいアプローチを提案する。ランダムな畳み込みカーネルに基づく既存のアプローチとは異なり、トレーニングプロセス中に最適な入力表現とプーリング演算子を動的に選択する。 SelF-Rocketはカリフォルニア大学リバーサイド校(UCR)のベンチマークデータセットで最先端の精度を実現している。

関連論文リスト

QC-Forest: a Classical-Quantum Algorithm to Provably Speedup Retraining of Random Forest [2.6436521007616114]
ランダムフォレスト(Random Forest, RF)は、教師あり学習法として人気があり、使いやすさと柔軟性で評価されている。オンラインRFモデルは、モデルの精度を維持するために、新しいトレーニングデータを考慮する必要がある。ストリーミング環境でのRFモデルの時間効率向上を目的とした古典量子アルゴリズムQC-Forestを提案する。
論文参考訳（メタデータ） (2024-06-17T18:21:03Z)
Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文参考訳（メタデータ） (2024-03-01T15:14:47Z)
Detach-ROCKET: Sequential feature selection for time series classification with random convolutional kernels [0.7499722271664144]
ROCKETに基づくモデルにおいて, 逐次的特徴分離(Sequential Feature Detachment, SFD)を導入する。 SFDは、オリジナルの機能の10%しか使用せずに、より良いテスト精度でモデルを作成することができる。また,特徴量とモデル精度の最適バランスを決定するためのエンドツーエンドの手法を提案する。
論文参考訳（メタデータ） (2023-09-25T20:24:36Z)
Random Boxes Are Open-world Object Detectors [71.86454597677387]
ランダム領域の提案によって訓練された分類器が最先端のオープンワールドオブジェクト検出(OWOD)を実現することを示す。我々はRandBoxを提案する。RandBoxはR-CNNベースのアーキテクチャで、各トレーニングでランダムな提案を訓練する。 RandBoxは、すべてのメトリクスにおいて、過去の最先端を著しく上回っている。
論文参考訳（メタデータ） (2023-07-17T05:08:32Z)
Sorted Convolutional Network for Achieving Continuous Rotational Invariance [56.42518353373004]
テクスチャ画像のハンドメイドな特徴に着想を得たSorting Convolution (SC)を提案する。 SCは、追加の学習可能なパラメータやデータ拡張を必要とせずに連続的な回転不変性を達成する。以上の結果から, SCは, 上記の課題において, 最高の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2023-05-23T18:37:07Z)
Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
論文参考訳（メタデータ） (2022-10-15T13:30:12Z)
S-Rocket: Selective Random Convolution Kernels for Time Series Classification [36.9596657353794]
ランダム畳み込みカーネル変換(Rocket)は、時系列特徴抽出のための高速で効率的で斬新なアプローチである。計算複雑性を減らし、Rocketの推論を加速するためには、最も重要なカーネルを選択し、冗長で重要でないカーネルを刈り取る必要がある。最重要なカーネルを選択するために、集団ベースのアプローチが提案されている。
論文参考訳（メタデータ） (2022-03-07T15:02:12Z)
Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
論文参考訳（メタデータ） (2021-09-26T19:56:45Z)
Kernel Identification Through Transformers [54.3795894579111]
カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。 KITT: Kernel Identification through Transformersを提案する。
論文参考訳（メタデータ） (2021-06-15T14:32:38Z)
MINIROCKET: A Very Fast (Almost) Deterministic Transform for Time Series Classification [5.519586522442065]
ROCKETは、既存の手法の計算コストのごく一部で最先端の精度を達成する。 ROCKETを新しい方法であるMINIROCKETに改質し、より大きなデータセットで最大75倍高速にします。 UCRアーカイブから最先端の精度まで、すべての109データセットの分類器を10分以内でトレーニングし、テストすることができる。
論文参考訳（メタデータ） (2020-12-16T08:24:09Z)
FROCC: Fast Random projection-based One-Class Classification [4.312746668772342]
高速ランダムプロジェクションに基づく一クラス分類(FROCC)は一クラス分類の効率的な方法である。 FROCCは最大3.1%向上し、トレーニング時間とテスト時間では1.2-67.8倍のスピードアップを達成した。
論文参考訳（メタデータ） (2020-11-29T08:56:59Z)

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。