多変量時系列分類のためのロバストな増強【JST・京大機械翻訳】

Yang Hong; Desell Travis

プレプリント

J-GLOBAL ID：202202205422261295 整理番号：22P0280899

多変量時系列分類のためのロバストな増強【JST・京大機械翻訳】

Robust Augmentation for Multivariate Time Series Classification

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 (2件)： ,
資料名：
発行年： 2022年01月27日プレプリントサーバーでの情報更新日： 2022年01月27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)

ニューラルネットワークは,データの強力な表現を学習できるが,それらは,パラメータ数による過剰適合に敏感である。これは,時系列分類の領域で特に挑戦的であり,そこではデータセットが100の訓練例より少ない可能性がある。本論文では,カットアウト,カットミックス,ミックスアップ,およびウィンドウワープの簡単な方法が,時系列分類のための畳込み,リカレント,および自己注意ベースアーキテクチャのための統計的に有意な方法でロバスト性と全体的性能を改善することを示した。東アングリア多変量時系列分類(UEA MTSC)アーカイブの大学からの26データセットに関するこれらの方法を評価し,これらの方法が異なるタイプの時系列データに対してどのように機能するかを分析した。著者らは,増加による開始時間ネットワークが,増加なしで18の異なるデータセットで1%から45%まで精度を改善することを示した。また,増大は,再帰および自己注意ベースアーキテクチャの精度を改善することを示した。【JST・京大機械翻訳】

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

人工知能

, , , ,

前のページに戻る