抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】