論文の概要: Multi-source Transfer Learning of Time Series with a Shapelet-based Distance Measure

• arxiv url: http://arxiv.org/abs/2609.15148v1
• Date: Mon, 14 Sep 2026 07:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.167631
• Title: Multi-source Transfer Learning of Time Series with a Shapelet-based Distance Measure
• Title（参考訳）: シェープレットに基づく距離測定による時系列のマルチソース変換学習
• Abstract要約: 本稿では,シェープレットマッチング (Shapelet Matching) という,トレーニング不要なソース選択手法を提案する。 シェープレットマッチングは、抽出したシェープレットの集合を比較してデータセットの類似性を定量化する。 シェープレットベースの類似度スコアに基づいて複数のソースデータセットを選択し、それらを単一のマルチソースデータセットに組み合わせ、この集約データセットを事前トレーニングに使用します。
• 参考スコア（独自算出の注目度）: 3.7814216736076425
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Transfer learning is an effective technique for addressing data scarcity in deep learning for time series classification, but its success depends on the selection of source datasets. Conventional transferability estimation methods are often computationally expensive, as they require fully pre-training a model on each potential source dataset to assess its suitability. This paper introduces a novel, training-free source selection method named Shapelet Matching. Our approach first identifies discriminative shapelets from the target and potential source datasets. Then, Shapelet Matching quantifies dataset similarity by comparing the extracted sets of shapelets. To mitigate the risk of negative transfer from selecting an unsuitable single source, we introduce a multi-source transfer learning method. We select several source datasets based on their shapelet-based similarity scores, combine them into a single multi-source dataset, and use this aggregated dataset for pre-training. The model is then fine-tuned on the target task. We evaluated our method on 128 datasets from the UCR Archive using both temporal CNN and Transformer architectures. The empirical results demonstrate that our multi-source pre-training reduces the risk of negative transfer on average. Shapelet Matching achieves the strongest performance for the CNN backbone and remains competitive for patch-based Transformer architectures, while avoiding the cost of pre-training a separate model for every candidate source.
• Abstract（参考訳）: 転送学習は、時系列分類のためのディープラーニングにおけるデータの不足に対処する有効な手法であるが、その成功はソースデータセットの選択に依存する。 従来の転送可能性推定法は、その適合性を評価するために、各潜在的ソースデータセット上のモデルを完全に事前訓練する必要があるため、計算コストがかかることが多い。 本稿では,シェープレットマッチング(Shapelet Matching)という,新しいトレーニング不要なソース選択手法を提案する。 我々のアプローチは、まずターゲットと潜在的ソースのデータセットから識別可能なシェープレットを識別する。 次に、シェープレットマッチングは、抽出したシェープレットの集合を比較してデータセットの類似性を定量化する。 本研究では,不適な単一ソースの選択から負の転送のリスクを軽減するために,複数ソースの転送学習手法を提案する。 シェープレットベースの類似度スコアに基づいて複数のソースデータセットを選択し、それらを単一のマルチソースデータセットに組み合わせ、この集約データセットを事前トレーニングに使用します。 その後、モデルはターゲットタスクに微調整される。 時間的CNNとTransformerアーキテクチャを用いて,UCRアーカイブから128個のデータセットを解析した。 実験により,マルチソース事前学習が平均の負の移動リスクを減少させることを示した。 Shapelet Matchingは、CNNのバックボーンで最大のパフォーマンスを実現し、パッチベースのTransformerアーキテクチャと競争力を維持しながら、候補ソース毎に別々のモデルを事前トレーニングするコストを回避している。

関連論文リスト

• MIRA: Mid-training Rubric Anchoring for Source-Aware Data Selection [59.34281845159177]
  我々は,自作ルーブリック発見に基づくソース認識フィルタリングフレームワークであるMIRAを提案する。 21のソースと5つのソースグループを持つコード指向のミッドトレーニングでは、MIRAは9つのコードベンチマークで選択ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-28T17:40:40Z)
• Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
  本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。 提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-05-10T17:30:16Z)
• Federated Online Learning for Heterogeneous Multisource Streaming Data [0.0]
  フェデレートラーニングは、プライバシの懸念の下で分散マルチソースデータ分析に不可欠なパラダイムとして登場した。 本稿では,分散マルチソースストリーミングデータ解析のためのFOL手法を提案する。
  論文  参考訳（メタデータ） (2025-08-08T19:08:53Z)
• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• Swift Cross-Dataset Pruning: Enhancing Fine-Tuning Efficiency in Natural Language Understanding [2.379669478864599]
  現在の微調整のためのクロスデータセットプルーニング技術は、しばしば計算に高価なサンプルランキングプロセスに依存している。 我々は,TF-IDF埋め込みと幾何中央値を用いたSwift Cross-Dataset Pruning (SCDP)を提案する。 6つの多様なデータセットに対する実験結果から,様々なタスクやスケールにまたがる手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-01-05T03:52:04Z)
• Adapt-$\infty$: Scalable Continual Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、生涯のインストラクションチューニングのための、新しいマルチウェイおよびアダプティブなデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。 このデータセレクタは、トレーニングのために各スキルクラスタから最も重要なサンプルのサブセットをサンプリングする。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• Model Selection with a Shapelet-based Distance Measure for Multi-source Transfer Learning in Time Series Classification [6.875312133832079]
  時系列分類のための転送学習に複数のデータセットを選択し,利用する新しい手法を提案する。 提案手法は,ニューラルネットワークを事前学習するための1つのソースデータセットとして,複数のデータセットを組み合わせる。 時系列データセットにおける時間畳み込みニューラルネットワーク(CNN)の性能向上が可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-30T06:57:30Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Exploring Data Redundancy in Real-world Image Classification through Data Selection [20.389636181891515]
  ディープラーニングモデルはトレーニングに大量のデータを必要とすることが多く、結果としてコストが増大する。 実世界の画像データの冗長性を調べるために,シナプスインテリジェンスと勾配ノルムに基づく2つのデータ評価指標を提案する。 オンラインおよびオフラインのデータ選択アルゴリズムは、検査されたデータ値に基づいてクラスタリングとグループ化によって提案される。
  論文  参考訳（メタデータ） (2023-06-25T03:31:05Z)
• Ensemble Transfer Learning for Multilingual Coreference Resolution [60.409789753164944]
  非英語で作業する場合に頻繁に発生する問題は、注釈付きトレーニングデータの不足である。 我々は,様々なトランスファー学習技術を組み合わせた,シンプルだが効果的なアンサンブルベースのフレームワークを設計する。 また、ウィキペディアアンカーテキストを利用して、コア参照解決モデルをブートストラップする低コストのTL手法を提案する。
  論文  参考訳（メタデータ） (2023-01-22T18:22:55Z)
• Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
  マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。 本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
  論文  参考訳（メタデータ） (2021-10-27T15:20:41Z)

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。