用于自举事件检测的时间序列标签超分辨率
机器学习
2019-06-04 v1 计算机视觉与模式识别
声音
音频与语音处理
机器学习
摘要
解决现实世界问题，尤其是利用深度学习，依赖于大量高质量数据的可用性。在本文中，我们开发了一种新颖框架，最大化包含少量专家标注数据、较大量的弱（或粗）标注数据以及大量未标注数据的时间序列数据集的效用。这代表了现实世界中常见的场景，例如众包应用。在我们的工作中，我们使用一个利用核密度估计器（KDE）的嵌套循环来超分辨率化丰富的低质量数据标签，从而实现对卷积神经网络（CNN）的有效训练。我们展示了两个关键结果：a) KDE 能够比作为基线的成熟分类器更准确且以更好校准的概率超分辨率化标签；b) 我们的 CNN 在 KDE 超分辨率化标签上训练，在候选问题域中相比次优基线系统的 F1 分数提高了 22.1%。
引用
@article{arxiv.1906.00254,
title = {Super-resolution of Time-series Labels for Bootstrapped Event Detection},
author = {Ivan Kiskin and Udeepa Meepegama and Steven Roberts},
journal= {arXiv preprint arXiv:1906.00254},
year = {2019}
}
备注
Accepted at the Time-series workshop at ICML 2019, Long Beach