智能AI
morning
用于不平衡时间序列量化的类条件高斯混合建模
摘要
arXiv:2608.21473v1 Announce Type: new Abstract: Quantification, estimating class prevalences in bags of unlabeled instances is vital in domains where aggregate statistics are more important than indiv...
and
class
the
mixture
GMNet
that
are
conditioned
Gaussian
Transformer
2026-08-25
1 阅读
约1分钟阅读
Md Shahriar Kabir, Mayesha Maliha R. Mithila, Anne H. H. Ngu, Myl\`ene C. Q. Farias, Byron Gao
字号:
arXiv:2608.21473v1 公告类型：新 摘要：在聚合统计比单个实例标签更重要的领域（例如生物信号监测、跌倒检测和活动识别）中，量化、估计未标记实例的类流行率至关重要。我们在不平衡时间序列数据的挑战性环境中研究了这个问题，并开发了 CC-GMNet-TS，这是一种类条件高斯混合量化器，它将基于 Transformer 的特征提取器与每类潜在混合相结合。与之前基于混合的量词（使用所有类共享的单个高斯混合）不同，CC-GMNet-TS 在有界潜在空间中为每个类分配自己的紧凑混合，并针对这些特定于类的组件对分段嵌入进行评分，以创建强调罕见但信息丰富的模式的袋级表示。袋子是使用人工患病率协议 (APP) 和先前班次袋抽样 (PShift) 从标记池构建的，以覆盖广泛的类别患病率场景，并且该模型通过面向量化的损失进行端到端训练。对三个基准的实验：手势 EMG 数据、SmartFallMM 和 UCI-HAR 表明，与传统聚合器和最近的深度量化器相比，CC-GMNet-TS 在三个基准上实现了更低的误差，而消融则证实了 Transformer 主干和类条件混合在 PShift 期间的贡献。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱