时间序列分类的迁移学习

Nov, 2018

Transfer learning for time series classification

Hassan Ismail Fawaz, Germain Forestier, Jonathan Weber, Lhassane Idoumghar, Pierre-Alain Muller

TL;DR本文探讨了如何将深度卷积神经网络用于时间序列分类任务，并提出了一种新的动态时间规整方法来指导迁移学习中的源数据集选择，结果表明迁移学习可以提高模型的准确性。

Abstract

transfer learning for deep neural networks is the process of first training a base network on a source dataset, and then transferring the learned features (the network's weights) to a second network to be trained

transfer learning deep neural networks time series classification dynamic time warping model fine-tuning

发现论文，激发创造

时间序列分类的深度学习综述

本文通过一个基于深度神经网络结构的实证研究，介绍最新的深度学习算法在时间序列分类方面的最新状态，以及给出了一个自由开放的深度学习框架，并在 97 个时间序列数据集上进行了 8,730 种模型的训练来达到最全面的时间序列分类问题的深度学习算法的研究。

Sep, 2018

使用合成数据进行时间序列分类的数据增强与深度残差网络

本文研究了基于动态时间规整距离的数据增强技术在深度学习模型在时间序列分类任务中的应用，通过对 UCR TSC 基准测试集的大量实验，发现数据增强可以显著提高深度 CNN 在某些数据集上的准确度，并在集合方法中使用此方法可以显著改善模型准确度。

Aug, 2018

寻找用于时间序列分类的基础模型与预训练任务

该研究旨在解决时间序列分类中的过拟合问题，通过引入预训练的领域基础模型，并使用一种新颖的预训练任务，该任务可跨多个数据集，以产生可应用于不同数据集的灵活卷积滤波器。实验证明，该预训练策略显著优于传统的无预训练方法，并在小数据集上有效减少过拟合，为深度学习在时间序列分类中的应用提供了更高的性能。

Nov, 2023

时间序列分类的多尺度卷积神经网络

提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

Mar, 2016

深度迁移学习在图像分类上的应用综述

本论文从深度迁移学习定义开始，概览了图像分类领域中当前发展情况及存在的知识空白，并提出了一种新的迁移学习应用分类法以帮助更好地理解迁移学习的成效和问题所在。

May, 2022

卷积神经网络进行文本分类的迁移学习实践指南

本文探讨了深度神经网络和卷积神经网络在迁移学习中的运用，通过实验结果总结了成功迁移学习的要点和常见误区，并对超参数进行了探究。

Jan, 2018

从稀疏标注的 3D 医学图像数据集进行迁移学习

本研究探索了使用迁移学习来提高医学影像中深度卷积神经网络对器官分割的性能，研究结果表明迁移学习可改善标注的效率和提高准确的器官分割，在医学影像领域具有潜在应用价值。

Nov, 2023

面向相似度感知的时间序列分类

提出了 Similarity-Aware Time-Series Classification (SimTSC) 框架，使用图神经网络建模时间序列的相似度信息，并结合深度学习模型实现时序分类。使用 ResNet 作为主干网络和 Dynamic Time Warping 作为相似度度量，在多个数据集上进行了广泛的实验，证明了该方法的有效性。

Jan, 2022

时间序列分类的深度神经网络集成

本文介绍如何在时序分类任务中使用神经网络集成算法，实现与当前最先进的基于非深度学习算法的分类器媲美的性能，并且首次达到了比 COTE 分类器更好的表现。

Mar, 2019

深度迁移学习调查

本文综述了深度神经网络及其应用中存在的数据获取与标注问题，并介绍了基于深度迁移学习的研究，旨在通过迁移学习中提出的独立同分布假设的放宽，解决数据不足的问题。

Aug, 2018