Nov, 2023

使用反馈信号训练多阶段深层分类器

PDF
TL;DR多级分类器（MSC）是工业应用中广泛使用的，在多个经过排列的顺序中顺序工作的多个分类器，每个步骤中的分类决策是部分完成的。针对两阶段二元分类过程，我们提出了一种新的训练框架，名为反馈训练。通过样本加权方法，我们训练分类器的顺序与其实际工作顺序相反，并使用后期分类器来指导初始化阶段分类器的训练。我们在实验证明了我们提出的方法的有效性，并且在少样本训练场景下具有很大的优势。
multi-stage classifierneural network modelsfeedback trainingbinary classificationfew-shot training
发现论文，激发创造
  • 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

  • 基于连续时间马尔可夫链的专用分类器集成

    本文探究了一种新方法，即将专用分类器的预测结果转化为一组有序对偏好，建立连续时间马尔科夫链，使用平衡分布作为最终预测，从而在大型公共数据集上取得了较大改进，特别是在分类器覆盖不平衡时。

    Sep, 2017

  • 多任务混淆学习快速检测相变

    利用机器学习研究相变，提出了一种基于混淆学习的方案，通过训练一个多类别分类器而不是多个二分类器来减少计算成本，实现了与理想情况相近的速度提升，适用于伊辛模型和具有稳定扩散生成的图像数据集。

    Nov, 2023

  • MSTAR: 用于时间序列分类的多尺度骨干架构搜索

    通过提出一个新的多尺度搜索空间和神经架构搜索（NAS）框架，解决了时间序列分类中接收域、频率和时间分辨率的问题，并展示了该模型在四个不同领域的四个数据集上达到了最先进的性能，同时为每个数据集引入了十多个高度微调的模型。

    Feb, 2024

  • 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

  • CascadeML: 多标签分类自动神经网络架构演化与训练算法

    本论文在多标签领域提出一种神经网络算法，CascadeML，用于基于级联神经网络的多标签神经网络的训练，无需或最小化超参数调整，并考虑标签之间的关联，同时能够获得很好的性能。

    Apr, 2019

  • 多元时间序列分类：深度学习方法

    本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

    Jul, 2023

  • 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

  • 一种多标签连续学习框架，以扩展深度学习方法以进行包装设备监控

    本研究提出了一种高效的方法，用于处理 Domain Incremental Learning 场景下的 multi-label classification 问题，并能够在 Class Incremental Learning 场景下应用，实现了对 packaging industry 领域中的 Alarm Forecasting 问题的预测和较好的性能。

    Aug, 2022

  • 用于鸟鸣声的多标签分类器链

    该研究提出了一种用于多标签分类鸟鸣的分类器链集合方法，并结合分段直方图表示进行实验比较，发现该方法通常优于二元关联法，在某些情况下优于多实例多标签学习算法。

    Apr, 2013