论文标题:Rts: learning robustly from time series data with noisy label
期刊:Frontiers of Computer Science
作者:Zhi ZHOU, Yi-Xuan JIN, Yu-Feng LI
发表时间:15 Dec 2024
DOI: 10.1007/s11704-023-3200-z
微信链接:点击此处阅读微信文章
导读
机器学习已经在处理数据静态且标记干净的问题上取得了显著成功。然而,实际应用通常涉及不平衡且难以标注的动态数据,即,实际应用同时面临时序数据、标记噪声和类别不平衡的挑战。上述问题目前仍未得到充分研究并缺乏有效的机器学习方法。因此,本文提出了一种名为RTS的方法,通过学习稳健的特征表示、找到潜在的干净样本、训练一个无偏模型解决此问题。在多种任务上的实验结果表明,本文所提的算法优于许多既有先进方法。
文章信息
相关内容推荐:
文章精要 | 北京航空航天大学黄迪教授团队:FIFAWC:群体行为识别的具有详细注释和丰富语义的数据集 2024 18(6):186351
文章精要 | 中国科学院软件所马菲菲研究员团队、计算所曹娟研究员团队合作提出:基于提示的对抗样本生成和鲁棒性提升方法 2024 18(4):184318
文章精要 | 南京航空航天大学黄圣君教授团队:基于成对置信度对比信息的鲁棒AUC优化 2024 18(4):184317
文章精要 | 北京航空航天大学王薇教授团队:基于区块链和联邦学习的物联网流量入侵检测算法 2024 18(5):185328
文章精要 | 中国科学技术大学刘淇教授团队:用于问题生成的分层答案感知和上下文感知网络 2024 18(5):185321
文章精要 | 中国地质大学(武汉)蒋良孝教授团队:基于标记分布相似度的众包噪声纠正 2024 18(5):185323
文章精要 | 复旦大学邱锡鹏教授团队:??-Tuning: 面向大规模预训练模型的一种基于标签表示学习的高效微调范式 2024 18(4):184320
文章精要 | 南京大学俞扬教授团队:模型梯度:统一策略和模型学习目标的基于模型的强化学习方法 2024 18(4):184339
文章精要|北京邮电大学傅湘玲教授团队等:用CB-Transformer学习从非对齐多模态序列中学习模态融合表征用于多模态情感识别 2024 18(4):184314
文章精要 | 苏州大学李培峰教授团队:结合上下文证据改进汉语隐式篇章关系识别 2024 18(3):183312
文章精要 | 中山大学刘玉葆教授团队:基于自适应特定映射的无监督社交网络嵌入 2024 18(3):183310
文章精要 | 重庆邮电大学张清华教授团队:一种基于多关系和多路径的不确定性知识图谱嵌入方法 2024 18(3):183311
文章精要 | 哈尔滨工程大学於志文教授团队等:EvolveKG: 一种演化知识图谱通用学习框架 2024 18(3):183309
文章精要 | 北京师范大学段福庆教授团队:基于小波散射变换的混合域人脸属性估计研究 2024 18(3):183313
文章精要 | 国防科技大学侯臣平教授团队:弱标签先验约束聚类 2024 18(3):183338
文章精要 | 广州大学刘文斌教授团队:FedDAA:一种鲁棒联邦学习框架用于保护隐私和防御对抗攻击 2024 18(2):182307
文章精要 | 广东技术师范大学张越副教授团队:基于张量显著共峰搜索的弱监督实例共分割 2024 18(2):182305
文章精要 | 武汉大学肖春霞教授团队:CRD-CGAN: 基于类型一致性和相对性约束的多样性文本生成图象 2024 18(1):181304
文章精要 | 用于常识问答的基于知识图谱的元路径推理 2024 18(1):181303
文章精要 | 双曲数据分类器的核化研究 2024 18(1):181301
文章精要 | 联邦学习综述:多方计算的视角 2024 18(1):181336