論文の概要: CLaSP: Learning Concepts for Time-Series Signals from Natural Language Supervision

• arxiv url: http://arxiv.org/abs/2411.08397v2
• Date: Wed, 09 Apr 2025 08:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:04:45.720242
• Title: CLaSP: Learning Concepts for Time-Series Signals from Natural Language Supervision
• Title（参考訳）: CLaSP:自然言語による時系列信号の学習概念
• Authors: Aoi Ito, Kota Dohi, Yohei Kawaguchi,
• Abstract要約: 本稿では,自然言語クエリを用いた時系列信号検索の新しいモデルであるCLaSPを提案する。 CLaSPは、時系列信号を自然言語記述にマッピングするために、対照的な学習を採用することで、課題に対処する。 自然言語クエリに基づく時系列パターンの検索において,CLaSPが高精度であることを示す。
• 参考スコア（独自算出の注目度）: 3.8506666685467352
• License:
• Abstract: This paper presents CLaSP, a novel model for retrieving time-series signals using natural language queries that describe signal characteristics. The ability to search time-series signals based on descriptive queries is essential in domains such as industrial diagnostics, where data scientists often need to find signals with specific characteristics. However, existing methods rely on sketch-based inputs, predefined synonym dictionaries, or domain-specific manual designs, limiting their scalability and adaptability. CLaSP addresses these challenges by employing contrastive learning to map time-series signals to natural language descriptions. Unlike prior approaches, it eliminates the need for predefined synonym dictionaries and leverages the rich contextual knowledge of large language models (LLMs). Using the TRUCE and SUSHI datasets, which pair time-series signals with natural language descriptions, we demonstrate that CLaSP achieves high accuracy in retrieving a variety of time series patterns based on natural language queries.
• Abstract（参考訳）: 本稿では,CLaSPを提案する。CLaSPは,信号特性を記述した自然言語クエリを用いて時系列信号を検索する新しいモデルである。 データ科学者が特定の特徴を持つ信号を見つける必要がある産業診断などの領域では、時系列信号を記述的クエリに基づいて検索する能力が不可欠である。 しかし、既存のメソッドはスケッチベースの入力、定義済みの同義語辞書、ドメイン固有の手動設計に依存し、スケーラビリティと適応性を制限する。 CLaSPは、時系列信号を自然言語記述にマッピングするために、コントラスト学習を採用することで、これらの課題に対処する。 従来のアプローチとは異なり、事前定義された同義語辞書の必要性を排除し、大規模言語モデル(LLM)の豊富な文脈知識を活用する。 TRUCEおよびSUSHIデータセットを用いて、自然言語記述と時系列信号のペア化を行い、CLaSPが自然言語クエリに基づく様々な時系列パターンの検索において高い精度を達成することを示す。

関連論文リスト

• VITRO: Vocabulary Inversion for Time-series Representation Optimization [21.338428379212704]
  本稿では,自然言語の離散的,意味的な性質と時系列データの連続的,数値的性質とのギャップを埋めるために,VITROを提案する。 学習可能な時系列固有の擬単語埋め込みは、既存の汎用言語モデル語彙よりも時系列データの表現が優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-23T19:24:51Z)
• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Multi-View Spatial-Temporal Network for Continuous Sign Language Recognition [0.76146285961466]
  本稿では,多視点空間時間連続手話認識ネットワークを提案する。 2つの公開手話データセット SLR-100 と PHOENIX-Weather 2014T (RWTH) でテストされている。
  論文  参考訳（メタデータ） (2022-04-19T08:43:03Z)
• A Simple Multi-Modality Transfer Learning Baseline for Sign Language Translation [54.29679610921429]
  既存の手話データセットには、約10K-20Kの手話ビデオ、グロスアノテーション、テキストが含まれています。 したがって、データは効果的な手話翻訳モデルの訓練のボトルネックとなる。 この単純なベースラインは、2つの手話翻訳ベンチマークで過去の最先端の結果を上回っている。
  論文  参考訳（メタデータ） (2022-03-08T18:59:56Z)
• Time-Incremental Learning from Data Using Temporal Logics [3.167882687550935]
  本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。 与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。 本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
  論文  参考訳（メタデータ） (2021-12-28T21:32:00Z)
• Sign Language Recognition via Skeleton-Aware Multi-Model Ensemble [71.97020373520922]
  手話は一般的に、聴覚障害者やミュート人がコミュニケーションするために使われる。 孤立手話認識(SLR)のためのGlobal Ensemble Model(GEM)を用いた新しいマルチモーダルフレームワークを提案する。 提案するSAM-SLR-v2 フレームワークは極めて有効であり,最先端の性能を高いマージンで達成している。
  論文  参考訳（メタデータ） (2021-10-12T16:57:18Z)
• Towards Zero-shot Language Modeling [90.80124496312274]
  人間の言語学習に誘導的に偏りを持つニューラルモデルを構築した。 類型的に多様な訓練言語のサンプルからこの分布を推測する。 我々は、保留言語に対する遠隔監視として、追加の言語固有の側情報を利用する。
  論文  参考訳（メタデータ） (2021-08-06T23:49:18Z)
• NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
  本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
  論文  参考訳（メタデータ） (2020-12-09T13:02:44Z)
• Exploring Software Naturalness through Neural Language Models [56.1315223210742]
  ソフトウェア自然性仮説(Software Naturalness hypothesis)は、自然言語処理で使用されるのと同じ手法でプログラミング言語を理解することができると主張している。 この仮説は,事前学習されたトランスフォーマーベース言語モデルを用いて,コード解析タスクを実行することによって検討する。
  論文  参考訳（メタデータ） (2020-06-22T21:56:14Z)
• Towards Relevance and Sequence Modeling in Language Recognition [39.547398348702025]
  本稿では,言語認識における短系列情報を利用したニューラルネットワークフレームワークを提案する。 音声認識タスクの関連性に基づいて、音声データの一部を重み付けする言語認識に関連性を取り入れた新しいモデルを提案する。 NIST LRE 2017 Challengeにおいて、クリーン、ノイズ、マルチ話者音声データを用いて言語認識タスクを用いて実験を行う。
  論文  参考訳（メタデータ） (2020-04-02T18:31:18Z)

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。