論文の概要: Robust and Efficient Noisy-Label Time-Series Classification via Dynamic Time Warping Based Granular Ball Computing

• arxiv url: http://arxiv.org/abs/2608.11704v1
• Date: Wed, 12 Aug 2026 06:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.481744
• Title: Robust and Efficient Noisy-Label Time-Series Classification via Dynamic Time Warping Based Granular Ball Computing
• Title（参考訳）: 動的時間ワープに基づく粒球計算によるロバストかつ高能率ノイズラベル時間系列分類
• Abstract要約: DTW-GBCは,時間的に類似したトレーニングサンプルをグラニュラーボールに整理し,グラニュラーレベルの分類を行う。 対称ラベルノイズによる4つのベンチマークデータセットの実験では、2つのDTW-GBC変異体が一般にラベルノイズによる性能劣化を軽減することが示されている。 これらの結果から,DTW-GBCは分類堅牢性と推論効率のバランスが良好であることが示唆された。
• 参考スコア（独自算出の注目度）: 6.151352302125145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic Time Warping (DTW)-based Nearest-Neighbor (NN) classifiers are effective for time-series classification but are vulnerable to mislabeled training samples and require numerous DTW computations during inference. We propose DTW-based Granular Ball Computing (DTW-GBC), which organizes temporally similar training samples into granular balls and performs classification at the granule level. We further develop two granular-ball construction strategies for DTW-GBC. Experiments on four benchmark datasets with symmetric label noise show that the two DTW-GBC variants generally mitigate the performance degradation caused by label noise while requiring substantially fewer comparisons than DTW-based 1-NN during inference. These findings suggest that DTW-GBC provides a favorable balance between classification robustness and inference efficiency.
• Abstract（参考訳）: 動的時間ワープ(DTW)をベースとしたNearest-Neighbor(NN)分類器は時系列分類に有効であるが,誤ラベル付きトレーニングサンプルに対して脆弱であり,推論中に多数のDTW計算を必要とする。 DTW-GBCは,時間的に類似したトレーニングサンプルをグラニュラーボールに整理し,グラニュラーレベルの分類を行う。 さらに,DTW-GBCのための2つのグラニュラーボール構築戦略を開発した。 対称ラベルノイズを用いた4つのベンチマークデータセットの実験では、2つのDTW-GBC変異体は一般にラベルノイズによる性能劣化を軽減し、推論時にDTWベースの1-NNよりもかなり少ない比較を必要とすることが示された。 これらの結果から,DTW-GBCは分類堅牢性と推論効率のバランスが良好であることが示唆された。

関連論文リスト

• DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models [78.62380562116135]
  テキスト・トゥ・イメージ(T2I)モデルのための完全に自動化された動的評価フレームワークであるDynT2I-Evalを提案する。 長い形式の記述から構造化された視覚意味空間を構築し、プロンプトを制御可能な次元に分解する。 DynT2I-Evalは、テキストアライメント、知覚品質、美学のモデル性能を評価する。
  論文  参考訳（メタデータ） (2026-05-07T12:53:51Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Evaluating DTW Measures via a Synthesis Framework for Time-Series Data [3.4437947384641037]
  時系列データは、時間とともに特定の観察や興味の量を記述する様々なアプリケーションに由来する。 動的時間ワープ (DTW) は2つの時間信号間の最適アライメントを実現するための標準手法である。 ほとんどのDTW測度は、理由を明確に説明することなく、特定の時系列データに対して良好に機能する。 適切なDTW尺度を選択するためのガイドラインが提示されたのはこれが初めてである。
  論文  参考訳（メタデータ） (2024-02-14T05:08:47Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• OTW: Optimal Transport Warping for Time Series [75.69837166816501]
  動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。 最適アライメント行列を正確に計算する必要がある場合、それは避けられない二次時間複雑性に悩まされる。 我々は、OTW(Optimal Transport Warping)と呼ばれる、最適輸送フレームワークに基づく時系列データのための新しいメトリクスを導入する。
  論文  参考訳（メタデータ） (2023-06-01T12:45:00Z)
• Soft Dynamic Time Warping for Multi-Pitch Estimation and Beyond [0.483420384410068]
  ソフトダイナミック・タイム・ワープ(SoftDTW)がCTCの代替となることを示す。 以上の結果から,SoftDTWはCTCの最先端のマルチラベル拡張と同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-11T07:39:16Z)
• Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths [54.53208538517505]
  本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。 そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。 この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
  論文  参考訳（メタデータ） (2023-03-19T21:58:37Z)
• Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
  動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。 提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-01-30T13:27:47Z)
• LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for Semi-Supervised Time Series Classification [4.7828959446344275]
  本稿では,新しいグラフ構築モジュールを用いた,効率的な半教師付き時系列分類手法 LB-SimTSC を提案する。 LB_Keoghを用いてペア距離行列を構築し,グラフニューラルネットワークのためのグラフを構築する。 その結果、大規模なデータセット上でグラフを構築する場合、このアプローチはSimTSCの最大104倍高速であることが示された。
  論文  参考訳（メタデータ） (2023-01-12T06:49:55Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• SOMTimeS: Self Organizing Maps for Time Series Clustering and its Application to Serious Illness Conversations [3.2689702143620147]
  我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。 他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。 我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
  論文  参考訳（メタデータ） (2021-08-26T00:18:25Z)

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。