論文の概要: Class-Conditioned Gaussian Mixture Modeling for Imbalanced Time Series Quantification
- arxiv url: http://arxiv.org/abs/2608.21473v1
- Date: Fri, 21 Aug 2026 04:25:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.907727
- Title: Class-Conditioned Gaussian Mixture Modeling for Imbalanced Time Series Quantification
- Title（参考訳）: 不均衡時系列量子化のためのクラス定義ガウス混合モデル
- Abstract要約: 集計統計が個々のインスタンスラベルよりも重要である領域では、ラベルなしインスタンスのバッグ内のクラス頻度を推定する定量化が不可欠である。
我々は,Transformerベースの特徴抽出器とクラスごとの潜在混合物を組み合わせたクラス条件付きガウス混合定量器であるCC-GMNet-TSを開発した。
- 参考スコア（独自算出の注目度）: 7.508566342964078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantification, estimating class prevalences in bags of unlabeled instances is vital in domains where aggregate statistics are more important than individual instance labels, such as biosignal monitoring, fall detection, and activity recognition. We investigate this issue in the challenging setting of imbalanced time series data and develop CC-GMNet-TS, a class-conditioned Gaussian mixture quantifier that combines a Transformer-based feature extractor with per-class latent mixtures. Unlike previous mixture-based quantifiers, which use a single Gaussian mixture shared by all classes, CC-GMNet-TS assigns each class its own compact mixture in a bounded latent space and scores segment embeddings against these class-specific components to create bag-level representations that emphasize rare but informative patterns. Bags are constructed from labeled pools using the Artificial Prevalence Protocol (APP) and prior shift bag sampling (PShift) to cover a wide range of class prevalence scenarios, and the model is trained end-to-end with a quantification-oriented loss. Experiments on three benchmarks: EMG Data for Gestures, SmartFallMM, and UCI-HAR show that CC-GMNet-TS achieves lower error across the three benchmarks compared to traditional aggregators and recent deep quantifiers, while ablations confirm the contributions of both the Transformer backbone and class-conditioned mixtures during PShift.
- Abstract（参考訳）: バイオシグナリ監視、転倒検出、アクティビティ認識など、個々のインスタンスラベルよりも集約統計が重要であるドメインでは、ラベルなしインスタンスのバッグ内のクラス頻度の定量化、推定が不可欠である。
本稿では,不均衡な時系列データの設定を困難にし,Transformerベースの特徴抽出器とクラスごとの潜在混合物を組み合わせたクラス条件付きガウス混合量化器であるCC-GMNet-TSを開発した。
CC-GMNet-TSは、全てのクラスで共有される単一のガウス混合を用いる以前の混合型量子化器とは異なり、各クラスは有界ラテント空間に独自のコンパクトな混合を割り当て、これらのクラス固有のコンポーネントに対してセグメント埋め込みをスコアし、レアだが情報的なパターンを強調するバッグレベルの表現を作成する。
The Artificial Prevalence Protocol (APP) と prior shift bag sample (PShift) を使用してラベル付きプールからバッグを構築し、幅広いクラスの有病率シナリオをカバーし、そのモデルは定量化指向の損失でエンドツーエンドにトレーニングされる。
EMG Data for Gestures、SmartFallMM、UCI-HARの3つのベンチマークの実験では、CC-GMNet-TSは従来のアグリゲータや最近の深層量子化器と比較して3つのベンチマークで低い誤差を達成している。
関連論文リスト
- Contrastive Representation-Guided Genetic Minority Oversampling for Imbalanced Time-Series Classification [56.54664402339568]
実世界の時系列分類タスクは、しばしばクラス不均衡を示すが、いくつかのアプリケーションでは非常に深刻である。
本稿では、周波数領域表現誘導型マルチツリー遺伝的プログラミングに基づくアンバランスな時系列分類のためのオーバーサンプリング手法を提案する。
論文 参考訳（メタデータ） (2026-08-24T05:03:51Z) - Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。
本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。
本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文 参考訳（メタデータ） (2025-03-28T07:23:07Z) - Harnessing Mixed Features for Imbalance Data Oversampling: Application to Bank Customers Scoring [5.091061468748012]
MGS-GRFは複合機能用に設計されたオーバーサンプリング戦略である。
その結果,MGS-GRFはコヒーレンス(コヒーレンス),すなわち,原データセットにすでに存在する分類的特徴の組み合わせのみを生成できる能力,すなわち連続的特徴と分類的特徴との依存性を維持できる能力の2つの重要な特性を示すことがわかった。
論文 参考訳（メタデータ） (2025-03-26T08:53:40Z) - Infinite Class Mixup [26.48101652432502]
Mixupは、トレーニングペアのインプットとラベルを補間することで、追加のサンプルが拡張されるディープネットワークのトレーニング戦略である。
本論文は,各混合ペアのラベルを混合する代わりに,分類器を直接混合することにより,この問題に対処することを目的とする。
Infinite Class Mixupは標準のMixupやRegMixupやRemixなど、バランスの取れた、長い尾のついた、データに制約のあるベンチマークにおいて、パフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-05-17T15:27:35Z) - Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。
我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。
私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
論文 参考訳（メタデータ） (2022-10-15T13:30:12Z) - Leveraging Instance Features for Label Aggregation in Programmatic Weak
Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。
PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。
既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文 参考訳（メタデータ） (2022-10-06T07:28:53Z) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳（メタデータ） (2022-03-29T08:01:03Z) - Gaussian Mixture Variational Autoencoder with Contrastive Learning for
Multi-Label Classification [27.043136219527767]
本稿では,新しいコントラスト学習促進型マルチラベル予測モデルを提案する。
教師付き環境でのコントラスト学習を用いることで,ラベル情報を効果的に活用することができる。
学習した埋め込みがラベルとラベルの相互作用の解釈に洞察を与えることを示す。
論文 参考訳（メタデータ） (2021-12-02T04:23:34Z) - CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。
CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。
我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-10-26T20:14:30Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z) - A Novel Adaptive Minority Oversampling Technique for Improved
Classification in Data Imbalanced Scenarios [23.257891827728827]
異なるクラスに属するトレーニングサンプルの割合の不均衡は、しばしば従来の分類器の性能低下を引き起こす。
不均衡なデータに対処する新しい3ステップ手法を提案する。
論文 参考訳（メタデータ） (2021-03-24T09:58:02Z)
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。