white 基于深度迁移学习进行时间序列分类
标题
时间序列分类的迁移学习
作者
Fawaz Hassan Ismail, Forestier Germain, Weber Jonathan, Idoumghar Lhassane, Muller Pierre-Alain
下载地址
https://arxiv.org/abs/1811.01533
发布时间
2018/11/5
摘要
深度神经网络的迁移学习是首先在源数据集上训练基本网络，然后将学到的特征（网络的权重）转移到第二个网络，以在目标数据集上进行训练的过程。这个想法已经在许多计算机视觉任务中得到验证，如图像识别和目标定位，可以提高深度神经网络在这些任务中的泛化能力。除了这些应用之外，深度卷积神经网络（CNNs）最近在时间序列分类（TSC）社区中也变得流行起来。然而，与图像识别问题不同，迁移学习技术对于TSC任务尚未得到充分的研究。这是令人惊讶的，因为通过从预训练的神经网络微调模型，而不是从头开始训练，可能会提高TSC的深度学习模型的准确性。在本文中，我们通过研究如何将深度CNNs迁移到TSC任务中来填补这一空白。为了评估迁移学习的潜力，我们使用UCR存档进行了广泛的实验，这是最大的公开可用的TSC基准，包含85个数据集。对于存档中的每个数据集，我们预训练了一个模型，然后在其他数据集上进行微调，得到了7140个不同的深度神经网络。这些实验证明了迁移学习可以提高或降低模型的预测，具体取决于用于迁移的数据集。因此，为了预测给定目标数据集的最佳源数据集，我们提出了一种依赖于动态时间规整来测量数据集间相似性的新方法。我们描述了我们的方法如何引导迁移以选择最佳的源数据集，从而提高了71个数据集中的准确性。
推荐理由
Mr-UC:
迁移学习和深度学习已经被广泛应用于计算机视觉和自然语言处理领域。但是在时间序列分类方面，至今没有完整的有代表性的工作。这是第一篇系统探讨基于深度迁移学习进行时间序列分类的论文。
2. 若遇到资源下载链接失效，请及时通过联系站长QQ以获取补发。
3. 所有本站资源仅供学习和研究目的使用。用户必须在24小时内删除所下载的资源，并严禁将其用于任何商业活动。对于因违反此规定引发的任何法律问题及连带责任，本站及发布者不承担任何责任。除非特别注明为原创，本站资源大多来源于网络，版权归原作者所有。若有侵权，请联系我们以便进行删除处理。
4. 本站提供的所有下载资源（包括软件等），我们保证未进行任何负面修改（不包括为改善功能或修复bug等正向优化或二次开发）。然而，我们无法保证资源的准确性、安全性和完整性。用户下载后应自行判断。本站旨在促进学习交流，并不保证所有源码完全无误或无bug。用户应明白，除非特别注明，【雾码资源】对提供下载的软件等不持有任何权利，其版权属于相应合法拥有者。
5. 请您仔细阅读以上内容，购买即表示您同意以上所有条款。
雾码资源 » 基于深度迁移学习进行时间序列分类
