ترجمه فارسی مقاله COSCO: چارچوب آموزشی آگاه به وضوح برای طبقه‌بندی سری‌های زمانی چند متغیره چند شات

چکیده

Multivariate time series classification is an important task with widespread domains of applications. Recently, deep neural networks (DNN) have achieved state-of-the-art performance in time series classification. However, they often require large expert-labeled training datasets which can be infeasible in practice. In few-shot settings, i.e. only a limited number of samples per class are available in training data, DNNs show a significant drop in testing accuracy and poor generalization ability. In this paper, we propose to address these problems from an optimization and a loss function perspective. Specifically, we propose a new learning framework named COSCO consisting of a sharpness-aware minimization (SAM) optimization and a Prototypical loss function to improve the generalization ability of DNN for multivariate time series classification problems under few-shot setting. Our experiments demonstrate our proposed method outperforms the existing baseline methods. Our source code is available at: https://github.com/JRB9/COSCO.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی سری زمانی چند متغیره یک کار مهم با دامنه های گسترده برنامه ها است.اخیراً ، شبکه های عصبی عمیق (DNN) در طبقه بندی سری زمانی به عملکرد پیشرفته رسیده اند.با این حال ، آنها اغلب به مجموعه داده های آموزشی با برچسب متخصص نیاز دارند که در عمل می توانند غیرقابل نفوذ باشند.در چند تنظیمات شات ، یعنی فقط تعداد محدودی از نمونه ها در هر کلاس در داده های آموزش موجود است ، DNN ها افت قابل توجهی در دقت آزمایش و توانایی عمومی سازی ضعیف دارند.در این مقاله ، ما پیشنهاد می کنیم این مشکلات را از یک بهینه سازی و دیدگاه عملکرد ضرر برطرف کنیم.به طور خاص ، ما یک چارچوب یادگیری جدید به نام COSCO متشکل از بهینه سازی به حداقل رساندن وضوح (SAM) و یک عملکرد از دست دادن نمونه اولیه را برای بهبود توانایی تعمیم DNN برای مشکلات طبقه بندی سری چند متغیره تحت تنظیم چند شات پیشنهاد می کنیم.آزمایشات ما نشان می دهد که روش پیشنهادی ما از روشهای پایه موجود بهتر عمل می کند.کد منبع ما در: https://github.com/jrb9/cosco در دسترس است.