論文の概要: Label-Guided Imputation via Forest-Based Proximities for Improved Time Series Classification

• arxiv url: http://arxiv.org/abs/2509.22919v1
• Date: Fri, 26 Sep 2025 20:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.93673
• Title: Label-Guided Imputation via Forest-Based Proximities for Improved Time Series Classification
• Title（参考訳）: 更新時系列分類のための森林利用確率によるラベル誘導型計算法
• Authors: Jake S. Rhodes, Adam G. Rustad, Sofia Pelagalli Maia, Evan Thacker, Hyunmi Choi, Jose Gutierrez, Tatjana Rundek, Ben Shaw,
• Abstract要約: 時系列分類の文脈でデータ計算を欠くためのフレームワークを提供する。 ラベルに条件付きで不足した値を出力する手段を定義する。 この手法を用いて計算を行うことで,分類精度の向上につながる情報をよりリッチに提供できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.6863755729554886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Missing data is a common problem in time series data. Most methods for imputation ignore label information pertaining to the time series even if that information exists. In this paper, we provide a framework for missing data imputation in the context of time series classification, where each time series is associated with a categorical label. We define a means of imputing missing values conditional upon labels, the method being guided by powerful, existing supervised models designed for high accuracy in this task. From each model, we extract a tree-based proximity measure from which imputation can be applied. We show that imputation using this method generally provides richer information leading to higher classification accuracies, despite the imputed values differing from the true values.
• Abstract（参考訳）: 時系列データでは、データの欠落が一般的な問題である。 命令のほとんどの方法は、たとえその情報が存在するとしても、時系列に関連するラベル情報を無視する。 本稿では,時系列分類の文脈において,各時系列がカテゴリラベルに関連付けられているようなデータ計算の欠如を解消する枠組みを提案する。 本稿では,この課題において高精度に設計された強力な教師付きモデルによって導かれる,ラベルに条件付き欠落した値を出力する手法を定義する。 各モデルから,倒立を適用可能な木に基づく近接測度を抽出する。 本手法は,実値と異なるインプット値にもかかわらず,一般により高度な分類精度をもたらす情報を提供することを示す。

関連論文リスト

• An End-to-End Model for Time Series Classification In the Presence of Missing Values [25.129396459385873]
  時系列分析では,データ不足による時系列分類が問題となっている。 本研究では,データ計算と表現学習を単一のフレームワーク内で統一するエンドツーエンドニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-11T19:39:12Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• Robust Explainer Recommendation for Time Series Classification [4.817429789586127]
  時系列分類は、人間の活動認識、スポーツ分析、一般的な感覚といった分野に共通する課題である。 近年,サリエンシマップの形での説明を提供するため,時系列に多種多様な手法が提案され,適用されている。 本稿では,時系列分類のための説明手法を定量的に評価し,ランク付けするための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-06-08T18:49:23Z)
• Multi-task Meta Label Correction for Time Series Prediction [10.08574256346388]
  マルチタスク・フレームワークを用いたメタラーニングによる時系列データに対するラベル補正手法を開発した。 その結果,提案手法は既存のラベル補正手法よりも有効で正確であることがわかった。
  論文  参考訳（メタデータ） (2023-03-09T08:20:17Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation [72.062661402124]
  余分なデータに晒された場合,PU分類と条件生成を共同で目標とする新たなトレーニングフレームワークを提案する。 我々は,CNI-CGANの最適条件を実証し,多様なデータセットについて広範な評価を行った。
  論文  参考訳（メタデータ） (2020-06-14T08:27:40Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。