文献

J-GLOBAL ID：202202247314543920   整理番号：22A0808437

高周波時系列の教師なし監視のための完全学習可能な深いウェーブレット変換【JST・京大機械翻訳】

Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series

著者 (3件)： Michau Gabriel (Chair of Intelligent Maintenance Systems, ETH Zuerich, 8049 Zuerich, Switzerland) ,  Frusque Gaetan (Chair of Intelligent Maintenance Systems, ETH Zuerich, 8049 Zuerich, Switzerland) ,  Fink Olga (Chair of Intelligent Maintenance Systems, ETH Zuerich, 8049 Zuerich, Switzerland)
資料名： Proceedings of the National Academy of Sciences of the United States of America  (Proceedings of the National Academy of Sciences of the United States of America)
巻： 119  号： 8  ページ： e2106598119  発行年： 2022年 
JST資料番号： D0387A  ISSN： 0027-8424  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高周波(HF)信号は産業世界に遍在しており,産業資産の監視に大きな利用がある。最も深い学習ツールは,固定および/または非常に限られたサイズの入力のために設計され,入力抽出特徴として産業コンテキスト利用への深い学習の多くの成功した応用が,手作業で,しばしば元の信号のコンパクトな表現である。本論文では,生のHF信号の意味のあるスパース表現を抽出することができる完全教師なし深層学習フレームワークを提案した。著者らは,1)カスケードアルゴリズムのような高速離散ウェーブレット変換(FDWT)の重要な特性に埋め込む;2)ウェーブレット,スケーリング,および転置フィルタ関数を結合する共役求積フィルタ特性;3)係数雑音除去。深層学習を用いて,このアーキテクチャを完全に学習できる:ウェーブレットベースとウェーブレット係数雑音除去の両者が学習可能になった。この目的を達成するために,ウェーブレット係数の学習可能なハード閾値化を実行する活性化関数を提案した。このフレームワークにより,雑音除去FDWTは,ウェーブレット変換に関する事前または後処理あるいは事前知識のいかなるタイプも必要としない完全学習可能教師なしツールになる。オープンソース音データセット上で実行した3つの機械学習タスクにこれらすべての特性を埋め込む利点を実証した。アーキテクチャの性能に対する各特性の影響のアブレーション研究を行い,ベースライン以上の結果を達成し,他の最先端の方法よりも性能が優れていた。Copyright 2022 The Author(s). Published by PNAS. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： フィルタ ,  *学習 ,  音響 ,  共役 ,  *HF【周波数】 ,  後処理 ,  アブレーション ,  計算機アーキテクチャ ,  機械学習 ,  *ウェーブレット変換 ,  雑音除去
準シソーラス用語： 事前知識 ,  離散ウェーブレット変換 ,  スパース表現 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 高速離散ウェーブレット分解 ,  深層学習 ,  高周波信号 ,  教師なし異常検出 ,  スパース分解

分類 (1件)： 中枢神経系  (EJ12030F)

タイトルに関連する用語 (5件)： 高周波 ,  時系列 ,  教師 ,  学習 ,  ウェーブレット変換