論文の概要: Channel Normalization for Time Series Channel Identification

• arxiv url: http://arxiv.org/abs/2506.00432v1
• Date: Sat, 31 May 2025 07:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.994689
• Title: Channel Normalization for Time Series Channel Identification
• Title（参考訳）: 時系列チャネル同定のためのチャネル正規化
• Authors: Seunghan Lee, Taeyoung Park, Kibok Lee,
• Abstract要約: CID(Channel identifiability)とは、時系列モデリングにおける個々のチャンネルを区別する能力である。 CIDの欠如は、しばしば同一の入力に対して同一の出力を生成し、チャネル固有の特性を無視する。 本稿では,各チャネルに異なるアフィン変換パラメータを割り当てることで,CIDを向上する簡易かつ効果的な正規化戦略であるChannel Normalization(CN)を提案する。
• 参考スコア（独自算出の注目度）: 5.752266579415516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel identifiability (CID) refers to the ability to distinguish between individual channels in time series (TS) modeling. The absence of CID often results in producing identical outputs for identical inputs, disregarding channel-specific characteristics. In this paper, we highlight the importance of CID and propose Channel Normalization (CN), a simple yet effective normalization strategy that enhances CID by assigning distinct affine transformation parameters to each channel. We further extend CN in two ways: 1) Adaptive CN (ACN) dynamically adjusts parameters based on the input TS, improving adaptability in TS models, and 2) Prototypical CN (PCN) introduces a set of learnable prototypes instead of per-channel parameters, enabling applicability to datasets with unknown or varying number of channels and facilitating use in TS foundation models. We demonstrate the effectiveness of CN and its variants by applying them to various TS models, achieving significant performance gains for both non-CID and CID models. In addition, we analyze the success of our approach from an information theory perspective. Code is available at https://github.com/seunghan96/CN.
• Abstract（参考訳）: CID(Channel identifiability)とは、時系列モデリングにおける個々のチャンネルを区別する能力である。 CIDの欠如は、しばしば同一の入力に対して同一の出力を生成し、チャネル固有の特性を無視する。 本稿では,CIDの重要性を強調し,各チャネルに異なるアフィン変換パラメータを割り当てることで,CIDを向上する簡易かつ効果的な正規化戦略であるChannel Normalization (CN)を提案する。 CNをさらに2つの方法で拡張します。 1)適応CN(ACN)は入力TSに基づいてパラメータを動的に調整し、TSモデルの適応性を向上させる。 2) プロトタイプCN (PCN) では,チャネル単位のパラメータの代わりに学習可能なプロトタイプのセットを導入し,未知あるいは異なる数のチャネルを持つデータセットに適用可能とし,TS基盤モデルでの使用を容易にする。 非CIDモデルとCIDモデルの両方において、CNとその変種の有効性を様々なTSモデルに適用し、大幅な性能向上を実現している。 さらに、情報理論の観点から、我々のアプローチの成功を分析する。 コードはhttps://github.com/seunghan96/CN.comで入手できる。

関連論文リスト

• Partial Channel Dependence with Channel Masks for Time Series Foundation Models [5.752266579415516]
  そこで我々は,部分チャネル依存(PCD)の概念を導入し,データセット固有の情報に基づいて,より洗練されたチャネル依存の調整を可能にする。 我々は,予測,分類,計算,異常検出を含む4つのタスクにおけるPCDの有効性を検証した。
  論文  参考訳（メタデータ） (2024-10-30T17:12:03Z)
• Contrastive random lead coding for channel-agnostic self-supervision of biosignals [3.101600812051321]
  本稿では, チャネルに依存しない生体信号の自己超越に対して, CRLC(Contrative random lead coding)を導入する。 脳波と心電図のデータに基づいてモデルを事前学習し、下流のタスクのためにそれらを微調整することで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-10-21T09:33:45Z)
• Channel-Aware Low-Rank Adaptation in Time Series Forecasting [43.684035409535696]
  2つの代表的なチャネル戦略は、モデル表現性とロバスト性に密接に関連している。 本稿では,チャネル対応の低ランク適応手法を,アイデンティティ対応の個別コンポーネント上での条件付きCDモデルに適用する。
  論文  参考訳（メタデータ） (2024-07-24T13:05:17Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)
• Channel Interaction Networks for Fine-Grained Image Categorization [61.095320862647476]
  微妙なクラス間差のため、きめ細かい画像分類は困難である。 本稿では,チャネル・インタラクション・ネットワーク(CIN)を提案する。 我々のモデルは、多段階のトレーニングやテストを必要とせずに、エンドツーエンドで効率的にトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-03-11T11:51:51Z)

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。