CompleMatch：時系列半教師あり分類の時間周波数相補性をブーストする

科学分野:

• 機械学習
• データサイエンス
• 信号処理

背景:

• 半教師あり分類（SSC）は、ラベル付きサンプルが少ない場合にモデルのパフォーマンスを向上させるために、ラベルなしデータを活用します。
• 既存の時系列SSC法は、主に時間的依存性に依存していますが、これはノイズに敏感であり、グローバル特徴の周期性を逃す可能性があります。

研究 の 目的:

• 時間領域と周波数領域の両方からの相補的な情報源を利用する新しい時系列SSCフレームワークであるCompleMatchを導入します。
• 多様なデータ表現を統合することにより、ラベルなしデータからの学習を強化します。

主な方法:

• CompleMatchは、時間領域と周波数領域のビューを持つ2つの同時に訓練されたディープニューラルネットワークを使用した共同訓練パラダイムを採用しています。
• ラベル伝播によって生成された疑似ラベルは、時間周波数表現の相補的な性質を利用して、各ネットワークのトレーニングをガイドします。
• 時間周波数対照学習モジュールは、疑似ラベルの品質と表現の識別性を向上させるために、教師あり信号と自己教師あり信号を統合します。

主要な成果:

• CompleMatchは、時系列SSCタスクにおいて最先端の方法よりも大幅に優れたパフォーマンスを発揮します。
• 因子分解研究と視覚化は、提案された時間周波数相補学習戦略の有効性を確認します。
• このフレームワークは、特にラベル付きデータが限られている条件下で、堅牢性とパフォーマンスを向上させます。

結論:

• 提案されたCompleMatchフレームワークは、堅牢な時系列SSCのために相補的な時間的および周波数的情報を効果的に活用します。
• 多様なデータ表現と対照学習の統合は、モデルのパフォーマンスと識別力を向上させます。
• CompleMatchは、時系列分析における半教師あり学習のための有望な進歩を提供します。