An active learning framework with a class \nbalancing strategy for time series classification
Notice bibliographique
Résumé
Training machine learning models for classification tasks often requires labeling numerous \nsamples, which is costly and time-consuming, especially in time series analysis. \nThis research investigates Active Learning (AL) strategies to reduce the amount of \nlabeled data needed for e↵ective time series classification. Traditional AL techniques \ncannot control the selection of instances per class for labeling, leading to potential bias \nin classification performance and instance selection, particularly in imbalanced time \nseries datasets. To address this, we propose a novel class-balancing instance selection \nalgorithm integrated with standard AL strategies. Our approach aims to select more \ninstances from classes with fewer labeled examples, thereby addressing imbalance in \ntime series datasets. We demonstrate the e↵ectiveness of our AL framework in selecting \ninformative data samples for two distinct domains of tactile texture recognition \nand industrial fault detection. In robotics, our method achieves high-performance \ntexture categorization while significantly reducing labeled training data requirements \nto 70%. We also evaluate the impact of di↵erent sliding window time intervals on \nrobotic texture classification using AL strategies. In synthetic fiber manufacturing, \nwe adapt AL techniques to address the challenge of fault classification, aiming to \nminimize data annotation cost and time for industries. We also address real-life class \nimbalances in the multiclass industrial anomalous dataset using our class-balancing \ninstance algorithm integrated with AL strategies. Overall, this thesis highlights the \npotential of our AL framework across these two distinct domains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».