論文の概要: ProtoSSL: Interpretable Prototype Learning from Unlabeled Time-Series Data
- arxiv url: http://arxiv.org/abs/2605.06943v1
- Date: Thu, 07 May 2026 21:01:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.624738
- Title: ProtoSSL: Interpretable Prototype Learning from Unlabeled Time-Series Data
- Title（参考訳）: ProtoSSL: ラベルのない時系列データから解釈可能なプロトタイプ学習
- Authors: Steven Song, Sahil Sethi, Brett Beaulieu-Jones, Robert L. Grossman,
- Abstract要約: ProtoSSLは、ラベルのない時系列データから解釈可能なプロジェクションベースのプロトタイプを学ぶための新しいフレームワークである。
ProtoSSLはラベルの効率を向上し、256のラベル付き例で、低データ方式での教師付きプロトタイプベースラインよりも優れていることを示す。
人間の評価研究において、ProtoSSLは、直接ラベル管理で学んだものよりも好意的に判断されるプロトタイプとプロトタイプベースの説明を生成する。
- 参考スコア（独自算出の注目度）: 1.7983573166060747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In time-series domains where both predictive performance and interpretability are essential, deep neural networks achieve strong results but provide limited insight into how their predictions are made. Projection-based prototype networks address this limitation by grounding predictions in similarity to representative training examples, enabling case-based explanations and global prototype inspection. However, existing approaches rely on label supervision, tying prototypes to a specific task and requiring large labeled datasets. We introduce ProtoSSL, a novel framework for learning interpretable, projection-based prototypes from unlabeled time-series data and adapting them to downstream tasks. Our key idea is to separate motif discovery from label alignment. ProtoSSL first learns a reusable prototype bank using a self-supervised objective applied directly to prototype activations, and then aligns these prototypes to downstream tasks through an efficient assignment procedure. Across six electrocardiography (ECG) datasets, ProtoSSL improves label efficiency, outperforming supervised prototype baselines in low-data regimes with as few as 256 labeled examples; with fine-tuning, ProtoSSL outperforms supervised prototype baselines at full dataset scale. In a human evaluation study, ProtoSSL produces prototypes and prototype-based explanations that are judged more favorably than those learned with direct label supervision. We further show that the framework extends to audio classification. Thus, ProtoSSL enables both learning generalizable prototypes from unlabeled data before the downstream label space is known, and subsequent assignment of interpretable, projection-grounded prototypes to new time-series tasks.
- Abstract（参考訳）: 予測性能と解釈可能性の両方が不可欠である時系列領域では、ディープニューラルネットワークは強い結果を得るが、その予測方法に関する限られた洞察を与える。
プロジェクションベースのプロトタイプネットワークは、代表的なトレーニング例と類似した予測を基礎として、ケースベースの説明とグローバルプロトタイプインスペクションを可能にすることで、この制限に対処する。
しかし、既存のアプローチはラベルの監督、プロトタイプを特定のタスクに結びつけること、大きなラベル付きデータセットを必要とすることに依存している。
ProtoSSLは、未ラベルの時系列データから解釈可能なプロジェクションベースのプロトタイプを学習し、下流タスクに適応するための新しいフレームワークである。
私たちのキーとなるアイデアは、モチーフ発見とラベルアライメントを分離することです。
ProtoSSLは、まず、プロトタイプアクティベーションに直接適用される自己教師対象を使用して、再利用可能なプロトタイプバンクを学び、その後、効率的な割り当て手順を通じて、これらのプロトタイプを下流タスクにアライメントする。
6つの心電図(ECG)データセット全体で、ProtoSSLはラベル効率を改善し、256のラベル付き例で、ローデータレシエーションにおける教師付きプロトタイプベースラインよりも優れたパフォーマンスを実現している。
人間の評価研究において、ProtoSSLは、直接ラベル管理で学んだものよりも好意的に判断されるプロトタイプとプロトタイプベースの説明を生成する。
さらに,このフレームワークが音声分類にまで拡張されていることを示す。
したがって、ProtoSSLは、下流ラベル空間が知られる前にラベルのないデータから一般化可能なプロトタイプを学習し、その後、解釈可能なプロジェクション付きプロトタイプを新しい時系列タスクに割り当てることを可能にする。
関連論文リスト
- Proto-Former: Unified Facial Landmark Detection by Prototype Transformer [77.47431726595111]
Proto-Formerは、統一的で適応的でエンドツーエンドの顔ランドマーク検出フレームワークである。
統一されたアーキテクチャ内で、複数のデータセットをまたいだ共同トレーニングを可能にする。
Proto-Formerは、既存の最先端手法よりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-10-17T06:00:25Z) - Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。
プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。
FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2025-06-28T18:36:22Z) - Efficient Prototype Consistency Learning in Medical Image Segmentation via Joint Uncertainty and Data Augmentation [32.47805202531351]
半教師付き医療画像セグメンテーションにプロトタイプ学習が出現している。
共同不確実性定量化とデータ拡張による効率的なプロトタイプの整合性学習を提案する。
我々のフレームワークは従来の最先端のアプローチよりも優れている。
論文 参考訳（メタデータ） (2025-05-22T06:25:32Z) - Advancing Interpretability in Text Classification through Prototype Learning [1.9526476410335776]
ProtoLensはプロトタイプベースのモデルで、テキスト分類のための詳細なサブ文レベルの解釈機能を提供する。
ProtoLensは、Prototype-aware Span extractモジュールを使用して、関連するテキストスパンを識別する。
ProtoLensは、競争精度を維持しながら解釈可能な予測を提供する。
論文 参考訳（メタデータ） (2024-10-23T03:53:46Z) - A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。
SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文 参考訳（メタデータ） (2024-07-16T23:17:36Z) - Just Shift It: Test-Time Prototype Shifting for Zero-Shot Generalization with Vision-Language Models [19.683461002518147]
Test-Time Prototype Shifting (TPS)は、未ラベルのテスト入力を使用したデータセットのテストに視覚言語モデルを適用するために設計された先駆的なアプローチである。
TPSは、その後の予測のために最適化不要なプロトタイプの再利用を促進するだけでなく、プロンプトエンジニアリングにおける現在の進歩とシームレスに統合することを可能にする。
我々のフレームワークの特筆すべき点は、従来のテキストプロンプトチューニング手法と比較して、メモリと計算要求が大幅に削減されていることである。
論文 参考訳（メタデータ） (2024-03-19T17:54:34Z) - ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical
Consistency for Efficient Semi-supervised Learning [60.57998388590556]
ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。
ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。
最先端のデータセットよりも大幅に向上し、より高速に収束する。
論文 参考訳（メタデータ） (2023-03-22T23:51:54Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳（メタデータ） (2020-05-11T09:53:36Z)
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。