基于表示学习的时序分类自动标签生成：降低训练标注代价
机器学习
2021-07-13 v1 人工智能
摘要
由终端用户、边缘设备和各类可穿戴设备生成的时序数据大多无标签。我们提出一种利用极少代表性有标签时序数据自动生成无标签时序标签的方法。我们的方法基于使用自编码紧凑序列（AECS）并选取最佳距离度量的表示学习。它通过学习潜在结构在迭代中进行自校正，并利用变分自编码器（VAE）对代表性时序进行合成增强以提升标签质量。我们在 UCR 和 UCI 档案库中的公共真实世界单变量、多变量时序（取自不同应用领域）上进行了实验。实验结果表明，所提方法的性能非常接近全监督分类所取得的性能。该方法不仅产生接近基准的结果，而且在某些情况下优于基准性能。
引用
@article{arxiv.2107.05458,
title = {Automated Label Generation for Time Series Classification with Representation Learning: Reduction of Label Cost for Training},
author = {Soma Bandyopadhyay and Anish Datta and Arpan Pal},
journal= {arXiv preprint arXiv:2107.05458},
year = {2021}
}
备注
8 pages, 5 figures, 3 tables accepted in IJCAI2021 Weakly Supervised Representation Learning (WSRL) Workshop ; https://wsl-workshop.github.io/ijcai21.html