主动迁移原型网络：一种高效的时间序列数据标注算法
机器学习
2023-12-27 v1
摘要
标注数据的匮乏是汽车工业中的典型挑战。标注时间序列测量值需要扎实的领域知识与深入的探索性数据分析，这意味着高昂的标注代价。常规主动学习（AL）通过基于估计分类概率主动查询最具信息量的实例并迭代重训练模型来解决此问题。然而，学习效率强烈依赖于初始模型，导致初始数据集规模与查询次数之间的权衡。本文提出一种新颖的基于少样本学习（FSL）的AL框架，通过于AL迭代中引入原型网络（ProtoNet）来解决该权衡问题。结果显示，一方面提升了对初始模型的鲁棒性，另一方面通过每轮迭代主动选择支持集提升了ProtoNet的学习效率。该框架在UCI HAR/HAPT数据集与真实世界制动操纵数据集上得到验证。学习性能在两者上均显著超越传统AL算法，分别以10%与5%的标注代价达到90%分类准确率。
引用
@article{arxiv.2209.14199,
title = {Active Transfer Prototypical Network: An Efficient Labeling Algorithm for Time-Series Data},
author = {Yuqicheng Zhu and Mohamed-Ali Tnani and Timo Jahnz and Klaus Diepold},
journal= {arXiv preprint arXiv:2209.14199},
year = {2023}
}
备注
4th International Conference on Industry 4.0 and Smart Manufacturing