Neural networks for out-of-distribution time series detection in one-class learning (2025)
- Authors:
- Autor USP: JÚNIOR, JOSÉ GILBERTO BARBOSA DE MEDEIROS - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2025.tde-29072025-141957
- Subjects: APRENDIZADO COMPUTACIONAL; ANÁLISE DE SÉRIES TEMPORAIS; REDES NEURAIS
- Keywords: Aprendizado de única classe; Deep learning; Neural networks; One-class learning; Time series
- Agências de fomento:
- Language: Inglês
- Abstract: A classicação de séries temporais apresenta desaos únicos, especialmente em domínios onde rotular dados apresenta um alto custo ou onde ocorre um grande desbalanceamento dos rótulos. A partir destes problemas, a tarefa de one-class learning (OCL), surge como uma alternativa, focando apenas no aprendizado de séries temporais pertencentes a uma única classe, também chamada de classe de interesse. Os métodos existentes de OCL frequentemente sofrem com instabilidades durante seu treinamento, dependncia de contraexemplos e adaptações inadequadas para capturar dependncias temporais. Esta dissertação propõe um novo framework de OCL para séries temporais, integrando mecanismos de redes neurais e técnicas de detecção de dados fora da distribuição (OOD). Para aprimorar a extração das características temporais, dois novos componentes nas redes neurais são apresentados: (i) LeakySineLU, uma nova função de ativação projetada para tarefas com séries temporais, e (ii) Convoluções Deformáveis, convoluções que capturam dependncias não contínuas e de longo alcance entre as observações de uma série. Esses mecanismos são incorporados a TGNet, um método de OCL proposto que utiliza GMMs para modelar a distribuição da classe de interesse e identicar instâncias fora desta distribuição. Foram conduzidos experimentos em 112 conjuntos de dados, demonstrando que a TGNet supera abordagens tradicionais de OCL para tarefas com séries temporais, alcançando a maior F1 média na classicação e o maior ranquemédio.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Data da defesa: 15.04.2025
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
MEDEIROS JÚNIOR, José Gilberto Barbosa de. Neural networks for out-of-distribution time series detection in one-class learning. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-141957/. Acesso em: 07 abr. 2026. -
APA
Medeiros Júnior, J. G. B. de. (2025). Neural networks for out-of-distribution time series detection in one-class learning (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-141957/ -
NLM
Medeiros Júnior JGB de. Neural networks for out-of-distribution time series detection in one-class learning [Internet]. 2025 ;[citado 2026 abr. 07 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-141957/ -
Vancouver
Medeiros Júnior JGB de. Neural networks for out-of-distribution time series detection in one-class learning [Internet]. 2025 ;[citado 2026 abr. 07 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-141957/ - Hemoglobin estimation from smartphone-based photoplethysmography with small data
- Semi-periodic activation for time series classification
- Aprendizado de máquina supervisionado para séries temporais na área da saúde
- One-class graph autoencoder: a new end-to-end, low-dimensional, and interpretable approach for node classfication
- Large language models ensemble for biochemical properties detection in scientific articles
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
