論文の概要: Human-like Time Series Summaries via Trend Utility Estimation
- arxiv url: http://arxiv.org/abs/2001.05665v2
- Date: Thu, 2 Apr 2020 20:55:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 23:46:35.294492
- Title: Human-like Time Series Summaries via Trend Utility Estimation
- Title（参考訳）: トレンドユーティリティ推定による人型時系列要約
- Authors: Pegah Jandaghi, Jay Pujara
- Abstract要約: 本稿では,時系列の人間的な記述を生成するためのモデルを提案する。
本システムは時系列データからパターンを見つけ,人間の行動の経験的観察に基づいてこれらのパターンをランク付けする。
本システムの出力は,人間による同じデータの要約に一致させようとする時系列の自然言語記述である。
- 参考スコア（独自算出の注目度）: 13.560018516096754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many scenarios, humans prefer a text-based representation of quantitative
data over numerical, tabular, or graphical representations. The attractiveness
of textual summaries for complex data has inspired research on data-to-text
systems. While there are several data-to-text tools for time series, few of
them try to mimic how humans summarize for time series. In this paper, we
propose a model to create human-like text descriptions for time series. Our
system finds patterns in time series data and ranks these patterns based on
empirical observations of human behavior using utility estimation. Our proposed
utility estimation model is a Bayesian network capturing interdependencies
between different patterns. We describe the learning steps for this network and
introduce baselines along with their performance for each step. The output of
our system is a natural language description of time series that attempts to
match a human's summary of the same data.
- Abstract（参考訳）: 多くのシナリオにおいて、人間は数値、表、グラフィカル表現よりも量的データのテキストに基づく表現を好む。
複雑なデータに対するテキスト要約の魅力は、データ-テキストシステムの研究に影響を与えた。
時系列のためのデータ・ツー・テキストツールはいくつか存在するが、人間が時系列を要約する方法を模倣しようとするものは少ない。
本稿では,時系列の人間ライクなテキスト記述を作成するためのモデルを提案する。
本システムでは,時系列データからパターンを抽出し,実用度推定による人間の行動の実証的観察に基づいてこれらのパターンを分類する。
提案手法は,異なるパターン間の相互依存性を捉えるベイズネットワークである。
このネットワークの学習ステップを説明し、各ステップのパフォーマンスとともにベースラインを導入します。
本システムの出力は,人間による同じデータの要約に一致させようとする時系列の自然言語記述である。
関連論文リスト
- Text2Freq: Learning Series Patterns from Text via Frequency Domain [8.922661807801227]
Text2Freqは、周波数領域を介してテキストと時系列データを統合したモダリティモデルである。
実物価格と合成テキストのペアデータセットによる実験により,Text2Freqが最先端のパフォーマンスを実現することを示す。
論文 参考訳（メタデータ） (2024-11-01T16:11:02Z) - Domain-Independent Automatic Generation of Descriptive Texts for Time-Series Data [5.264562311559751]
時系列データからドメインに依存しない記述テキストを生成する手法を提案する。
新たな後方アプローチを実装することで、観測データセットのための時間自動キャプションを作成する。
実験の結果,TACOデータセットを用いて学習した対照的な学習ベースモデルでは,新しいドメインにおける時系列データのための記述テキストを生成することができることがわかった。
論文 参考訳（メタデータ） (2024-09-25T06:04:03Z) - Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。
近年、時系列コミュニティで顕著なブレークスルーが見られた。
多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文 参考訳（メタデータ） (2024-07-18T08:31:55Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - Universal Time-Series Representation Learning: A Survey [14.340399848964662]
時系列データは、現実世界のシステムやサービスのあらゆる部分に存在する。
ディープラーニングは、時系列データから隠れたパターンや特徴を抽出する際、顕著な性能を示した。
論文 参考訳（メタデータ） (2024-01-08T08:00:04Z) - A Comparative Study on Textual Saliency of Styles from Eye Tracking,
Annotations, and Language Models [21.190423578990824]
我々は、スタイリスティックテキストの人間の処理のための視線追跡データセットである eyeStyliency を提示する。
収集したアイデータセットを用いて,テキスト上でのサリエンシスコアを導出する様々な手法を開発した。
視線追跡データはユニークですが、人間のアノテーションとモデルに基づく重要度スコアの両方と交差しています。
論文 参考訳（メタデータ） (2022-12-19T21:50:36Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文 参考訳（メタデータ） (2021-10-11T13:33:18Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳（メタデータ） (2020-10-01T17:38:40Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。