כתבה
arXiv cs.LG ·
לימוד תעבורה מרוב-מקורות של סדרות זמן עם מדד מרחק שפלט
Multi-source Transfer Learning of Time Series with a Shapelet-based Distance Measure
לימוד תעבורה לסיווג סדרות זמן עם שיטת בחירת מקור חדשה. השיטה, שנקראת Shapelet Matching, מזהה צורות דיסקרימינטיביות בסדרות המטרה ובסדרות המקור, ואז משווה את הקבוצות של צורות אלה. המאמר מציג גם שיטת לימוד תעבורה מרוב-מקורות, שבה נבחרים מספר מקורות על פי דרגת דמיון שלהם, ואז משולבים לסדרה אחת. המאמר מדגים את השיטה על 128 סדרות זמן מהארכיו UCR.
תקציר מקורי באנגליתarXiv:2609.15148v1 Announce Type: new Abstract: Transfer learning is an effective technique for addressing data scarcity in deep learning for time series classification, but its success depends on the selection of source datasets. Conventional transferability estimation methods are often computationally expensive, as they require fully pre-training a model on each potential source dataset to assess its suitability. This paper introduces a novel, training-free source selection method named Shapelet Matching. Our approach first identifies discriminative shapelets from the target and potential source datasets. Then, Shapelet Matching quantifies dataset similarity by comparing the extracted sets of shapelets. To mitigate the risk of negative transfer from selecting an unsuitable single source,
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית