可変入力次元を持つ多変量時系列タスクのための連続学習【JST・京大機械翻訳】

Gupta Vibhor; Narwariya Jyoti; Malhotra Pankaj; Vig Lovekesh; Shroff Gautam

プレプリント

J-GLOBAL ID：202202202531534685 整理番号：22P0303502

可変入力次元を持つ多変量時系列タスクのための連続学習【JST・京大機械翻訳】

Continual Learning for Multivariate Time Series Tasks with Variable Input Dimensions

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月14日プレプリントサーバーでの情報更新日： 2022年03月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

多重センサデータの時系列からの機械の異なるインスタンスに対する故障の予測,または複数のウェアラブルセンサからの異なる個人に対する活動認識タスクのような,関連する多変量時系列学習タスクのシーケンスを考察した。そのような設定において生じる2つの未調査の実際的課題に焦点を当てた。(i)各タスクは,センサの異なる部分集合,すなわち,基礎となる「システム」の異なる部分観察を提供するかもしれない。この制約は,前者の場合,異なる製造者によるものであり,後者(ii)において,より多くの測定デバイスを着用する人々は,タスクレベルで観察されると,タスクからデータを保存または再アクセスすることはできない。これは,人々の場合のプライバシーの考慮,または,機械所有者が配置する法的制約による可能性がある。それにもかかわらず,(a)完了タスクからの経験を用いて,次のタスクに関する性能を改善し,また,(b)過去のタスク,例えば,このモデルを更新し,その後観察されたものから学習後の最初のマシンに関する予測を改善することを続ける。既存の連続学習法は,タスクで利用可能なセンサの異なるサブセットにより発生する入力次元における変動性を考慮しておらず,そのような可変入力次元(VID)タスクに適応する。本研究では,既存の方法の欠点に取り組んだ。この目的のために,タスク特異的生成モデルと分類器を学習し,これらを用いてターゲットタスクのデータを強化した。タスク間の入力次元が変わるので,標準リカレントニューラルネットワークを支援するためのグラフニューラルネットワークに基づく新しい調整モジュールを提案した。2つの活動認識タスク(分類)と1つの予後タスク(回帰)に対応する3つの公的に利用可能なデータセットに対する提案アプローチの有効性を評価した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

生体計測 , パターン認識 , 人工知能

, , , , ,

前のページに戻る