論文の概要: FETERS: Few-Shot Early Time-Series Classification via Effective Ratio Selection

• arxiv url: http://arxiv.org/abs/2608.16385v1
• Date: Mon, 17 Aug 2026 10:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.638613
• Title: FETERS: Few-Shot Early Time-Series Classification via Effective Ratio Selection
• Title（参考訳）: FETERS: 有効比選択による早期時系列分類
• Abstract要約: サポートセット上でのクラスワイド・アウト・アウト(LOO)評価を通じてデータセットレベルの停止比を選択する,数ショットのETSCフレームワークであるFETERSを提案する。 FETERSは、平均ハーモニック平均(HM)が最も高く、38データセット上で最高のHMを持つ5ショット設定で最先端(SOTA)のパフォーマンスを達成し、44データセット上での現在のSOTAメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 5.9873770241999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early time-series classification (ETSC) aims to make accurate predictions from partially observed time series as early as possible. Although various stopping mechanisms and feature learning strategies have been developed for ETSC, most existing methods assume access to sufficient labeled training data, which may be unrealistic in applications with limited annotation. Under limited supervision, learning an additional sample-level stopping module and extracting effective classification features can both become challenging. In this paper, we propose FETERS, a few-shot ETSC framework that selects a dataset-level stopping ratio through class-wise leave-one-out (LOO) evaluation on the support set and uses a penalty-based reward function to manage the accuracy-earliness trade-off, thereby avoiding the need to train an additional stopping module. FETERS further combines Rocket-based features with frozen Chronos representations for classification. Extensive experiments on 69 public datasets spanning 14 domains show that FETERS achieves state-of-the-art (SOTA) performance in the 5-shot setting, with the highest average harmonic mean (HM) and the best HM on 38 datasets, while outperforming the current SOTA method on 44 datasets. FETERS also remains competitive in the full-shot setting, demonstrating its effectiveness in managing the accuracy-earliness trade-off.
• Abstract（参考訳）: 早期時系列分類(ETSC)は、部分的に観察された時系列からできるだけ早く正確な予測を行うことを目的としている。 ETSCには様々な停止機構や特徴学習戦略が開発されているが、既存の手法の多くは十分なラベル付きトレーニングデータへのアクセスを前提としている。 限定的な監督の下では、サンプルレベルの停止モジュールの学習と効果的な分類機能の抽出が困難になる。 本稿では,クラスワイド・アウト・アウト(LOO)評価を通じてデータセットレベルの停止比率を選択するETSCフレームワークであるFETERSを提案する。 FETERSはさらにロケットベースの機能と冷凍クロノス表現を組み合わせて分類する。 14のドメインにまたがる69のパブリックデータセットに対する大規模な実験により、FETERSは5ショット設定で最先端(SOTA)のパフォーマンスを達成し、38データセット上では最高平均調和平均(HM)と最高HMを達成し、44データセットでは現在のSOTAメソッドを上回っている。 FETERSはフルショット環境での競争力も保ち、正確さのトレードオフを管理する効果を実証している。

関連論文リスト

• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• Learning-Zone Energy: Online Data Selection for Efficient RL Post-Training [28.00739954235118]
  そこで本研究では,モデルにおけるアクティブな学習フロンティアに焦点をあてた,理論的基盤を持つ完全オンラインデータ選択フレームワークを提案する。 リプレイ付きフォワードプルーナーは、永続的に解決されたプロンプトのロールアウト生成をスキップすることで、ウォールクロック時間コストをさらに低減する。 我々の方法は1ステップあたりのトレーニングデータの40%しか保持しないが、完全なデータベースラインにマッチまたは超えている。
  論文  参考訳（メタデータ） (2026-05-16T14:01:12Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• FedTeddi: Temporal Drift and Divergence Aware Scheduling for Timely Federated Edge Learning [12.104759384825705]
  フェデレートエッジラーニング(FEEL)は、生データを公開せずに、無線ネットワークを介して分散クライアント間で協調的なモデルトレーニングを可能にする。 重要な課題は、このような進化するデータに対して、タイムリーながら効率的な方法でモデルを適応する方法である。 FEELの高速収束を容易にする時間差分対応スケジューリングアルゴリズムであるFedTeddiを提案する。
  論文  参考訳（メタデータ） (2025-09-09T02:33:48Z)
• Efficient Temporal Tokenization for Mobility Prediction with Large Language Models [7.704947355789259]
  RHYTHMは、大きな言語モデル(LLM)を軌道予測子や推論子として利用するフレームワークである。 トークン表現は、凍結LDMによる迅速な埋め込みによって豊かにされ、相互依存を捕捉するモデルの能力を高める。 3つの実世界のデータセットの評価では、最新の手法と比較して精度が2.4%向上し、週末に5.0%向上し、トレーニング時間が24.6%減少している。
  論文  参考訳（メタデータ） (2025-07-18T15:31:16Z)
• Dynamic Graph-Like Learning with Contrastive Clustering on Temporally-Factored Ship Motion Data for Imbalanced Sea State Estimation in Autonomous Vessel [27.747537910382253]
  TGC-SSE(Toral-Graph Contrastive Clustering Sea State Estimator) TGC-SSEは、データ冗長性を低減するための時間次元分解モジュール、複雑な変数の相互作用をキャプチャする動的グラフのような学習モジュール、クラス不均衡を効果的に管理する対照的なクラスタリング損失関数の3つの重要なコンポーネントを組み合わせた、新しいディープラーニングモデルである。 実験の結果、TGC-SSEは14の公開データセットで既存のメソッドを著しく上回り、EDIよりも20.79%改善され、9つのデータセットで最高精度を達成した。
  論文  参考訳（メタデータ） (2025-04-21T07:22:11Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Hierarchical Proxy Modeling for Improved HPO in Time Series Forecasting [9.906423777470737]
  本稿では,時系列データセットに関連付けられたデータ階層を利用して,HPOをテストプロキシで駆動する新しい手法H-Proを提案する。 H-Proは、市販の機械学習モデルにも適用でき、HPOを実行することができる。 我々の手法は、観光、ウィキ、交通のデータセットにおける既存の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-28T06:37:15Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。