論文の概要: Learning Soft Sparse Shapes for Efficient Time-Series Classification

• arxiv url: http://arxiv.org/abs/2505.06892v1
• Date: Sun, 11 May 2025 08:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.095826
• Title: Learning Soft Sparse Shapes for Efficient Time-Series Classification
• Title（参考訳）: 効率的な時系列分類のためのソフトスパース形状の学習
• Authors: Zhen Liu, Yicheng Luo, Boyuan Li, Emadeldeen Eldele, Min Wu, Qianli Ma,
• Abstract要約: 効率的な時系列分類のためのtextbfSoft スパース textbfShapes (textbfSoftShapes) モデルを提案する。 本手法は,ソフトな形状スペーシフィケーションとソフトな形状学習ブロックを導入している。 後者は、形状内および形状間時間パターン学習を容易にし、疎化軟形状を入力としてモデル効率を向上させる。
• 参考スコア（独自算出の注目度）: 25.128114360717454
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Shapelets are discriminative subsequences (or shapes) with high interpretability in time series classification. Due to the time-intensive nature of shapelet discovery, existing shapelet-based methods mainly focus on selecting discriminative shapes while discarding others to achieve candidate subsequence sparsification. However, this approach may exclude beneficial shapes and overlook the varying contributions of shapelets to classification performance. To this end, we propose a \textbf{Soft} sparse \textbf{Shape}s (\textbf{SoftShape}) model for efficient time series classification. Our approach mainly introduces soft shape sparsification and soft shape learning blocks. The former transforms shapes into soft representations based on classification contribution scores, merging lower-scored ones into a single shape to retain and differentiate all subsequence information. The latter facilitates intra- and inter-shape temporal pattern learning, improving model efficiency by using sparsified soft shapes as inputs. Specifically, we employ a learnable router to activate a subset of class-specific expert networks for intra-shape pattern learning. Meanwhile, a shared expert network learns inter-shape patterns by converting sparsified shapes into sequences. Extensive experiments show that SoftShape outperforms state-of-the-art methods and produces interpretable results.
• Abstract（参考訳）: シェープレット(Shapelet)は、時系列分類において高い解釈可能性を持つ識別サブシーケンス(またはシェイプ)である。 シェープレット発見の時間的集約性のため、既存のシェープレットベースの手法は主に識別的形状の選択に焦点を合わせ、他者を排除して、候補のサブシーケンススペーシングを実現する。 しかし、このアプローチは有益な形状を排除し、分類性能に対するシェープレットの様々な貢献を見落としてしまう可能性がある。 この目的のために,効率的な時系列分類のためのsparse \textbf{Soft} sparse \textbf{Shape}s (\textbf{SoftShape}) モデルを提案する。 本手法は,ソフトな形状スペーシフィケーションとソフトな形状学習ブロックを導入している。 前者は、分類コントリビューションスコアに基づいて、形状をソフト表現に変換し、下面の形状を単一の形状にマージして、全てのサブシーケンス情報を保持および識別する。 後者は、形状内および形状間時間パターン学習を容易にし、疎化軟形状を入力としてモデル効率を向上させる。 具体的には、学習可能なルータを用いて、クラス固有の専門家ネットワークのサブセットを活性化し、形状内パターン学習を行う。 一方、共有専門家ネットワークは、スパース化された形状をシーケンスに変換することで、形状間のパターンを学習する。 大規模な実験により、SoftShapeは最先端の手法より優れ、解釈可能な結果が得られることが示された。

関連論文リスト

• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Unsupervised Deep Multi-Shape Matching [15.050801537501462]
  3次元形状マッチングは、コンピュータビジョンとコンピュータグラフィックスにおける長年の問題である。 本稿では, サイクル一貫性のあるマルチマッチングを実現するための, 深層多形マッチング手法を提案する。 提案手法は、いくつかの挑戦的なベンチマークデータセットに対して、最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-07-20T01:22:08Z)
• Improving Shape Awareness and Interpretability in Deep Networks Using Geometric Moments [0.0]
  画像分類のためのディープネットワークは、しばしばオブジェクトの形状よりもテクスチャ情報に依存している。 本稿では,幾何学的モーメントにインスパイアされたディープラーニングモデルを提案する。 標準画像分類データセットにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-05-24T02:08:05Z)
• Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
  2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。 固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。 本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
  論文  参考訳（メタデータ） (2022-03-15T07:22:52Z)
• Bending Graphs: Hierarchical Shape Matching using Gated Optimal Transport [80.64516377977183]
  形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。 局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。 本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
  論文  参考訳（メタデータ） (2022-02-03T11:41:46Z)
• Convolutional Shapelet Transform: A new approach for time series shapelets [1.160208922584163]
  本稿では,ダイレーションの概念を含む時系列シェイプレットの新たな定式化と,畳み込みカーネルに基づくシェープレット抽出手法を提案する。 提案手法は,シェープレットアルゴリズムの最先端性を向上し,畳み込みカーネルによる結果の解釈に利用できることを示す。
  論文  参考訳（メタデータ） (2021-09-28T06:30:42Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Mapping in a cycle: Sinkhorn regularized unsupervised learning for point cloud shapes [47.49826669394906]
  点雲形状間の密接な対応を見つけるための教師なし学習フレームワークを提案する。 点クラウドデータから識別点的特徴を学習するために、シンクホーン正規化に基づく正規化項を定式化する。 そこで本研究では, 部分分割性能を向上させるために, 教師付き手法により, 学習ポイントワイドな特徴を活用できることを述べる。
  論文  参考訳（メタデータ） (2020-07-19T05:21:33Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。