Inherent Interpretierbarkeit von Zeitreihenklassifizierung durch Mehrfachinstanzlernen
Ein neuer Rahmen namens MILLET, der Mehrfachinstanzlernen (MIL) für lokal erklärbare Zeitreihenklassifizierung nutzt, um die Interpretierbarkeit bestehender Deep-Learning-Zeitreihenklassifizierungsmodelle zu verbessern, ohne die Vorhersageleistung zu beeinträchtigen.
Hochgradig unauffällige adversarische Zeitreihen durch Multi-Ziel-Angriff entwickeln
Eine effiziente Methode namens TSFool wird vorgeschlagen, um hochgradig unauffällige adversarische Zeitreihen für RNN-basierte Zeitreihenklassifizierung zu entwickeln. Der Kerngedanke ist ein neues globales Optimierungsziel namens "Camouflage-Koeffizient", das die Unauffälligkeit adversarischer Proben aus der Klassenverteilung erfasst.
Effiziente Klassifizierung von hochauflösenden Zeitreihen durch Aufmerksamkeits-Kronecker-Dekomposition
Effiziente Klassifizierung von hochauflösenden Zeitreihen durch hierarchische Kodierung und Kronecker-Dekomposition.
Effiziente Klassifizierung von hochauflösenden Zeitreihen durch Aufmerksamkeits-Kronecker-Zerlegung
Effiziente Klassifizierung von hochauflösenden Zeitreihen durch hierarchische Kodierung und Kronecker-Zerlegung.
Effiziente Suche nach Grundmodellen für die Klassifizierung von Zeitreihen mit einer PreText-Aufgabe
Die Einführung von vorab trainierten Grundmodellen für verschiedene Zeitreihendatensätze verbessert die Leistung der tiefen Lernalgorithmen und reduziert das Overfitting in kleinen Datensätzen.
© 2024 by Linnk AI