論文の概要: Bayesian nonparametric shared multi-sequence time series segmentation

• arxiv url: http://arxiv.org/abs/2001.09886v1
• Date: Mon, 27 Jan 2020 16:19:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 07:39:42.934184
• Title: Bayesian nonparametric shared multi-sequence time series segmentation
• Title（参考訳）: ベイズ非パラメトリック共有多列時系列セグメンテーション
• Authors: Olga Mikheeva, Ieva Kazlauskaite, Hedvig Kjellstr\"om, Carl Henrik Ek
• Abstract要約: 本稿では,時系列データの時間的セグメント化の課題について検討する。 非パラメトリック分布を用いてシーケンスをそのようなセグメントに分割し、セグメント長の事前分布で定式化する。 本研究は,心拍の時系列データだけでなく,合成データにも有効であることを示す。
• 参考スコア（独自算出の注目度）: 7.780531445879181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a method for segmenting time series data using tools from Bayesian nonparametrics. We consider the task of temporal segmentation of a set of time series data into representative stationary segments. We use Gaussian process (GP) priors to impose our knowledge about the characteristics of the underlying stationary segments, and use a nonparametric distribution to partition the sequences into such segments, formulated in terms of a prior distribution on segment length. Given the segmentation, the model can be viewed as a variant of a Gaussian mixture model where the mixture components are described using the covariance function of a GP. We demonstrate the effectiveness of our model on synthetic data as well as on real time-series data of heartbeats where the task is to segment the indicative types of beats and to classify the heartbeat recordings into classes that correspond to healthy and abnormal heart sounds.
• Abstract（参考訳）: 本稿では,ベイズ非パラメトリックのツールを用いた時系列データのセグメンテーション手法を提案する。 時系列データの時系列セグメンテーションを代表的定常セグメンテーションに分割するタスクについて検討する。 我々はガウス過程 (GP) を用いて、基礎となる定常セグメントの特性に関する知識を課し、非パラメトリック分布を用いて、シーケンスをそのようなセグメントに分割し、セグメント長の事前分布の項で定式化する。 セグメンテーションが与えられた場合、混合成分がGPの共分散関数を用いて記述されるガウス混合モデルの変種と見なすことができる。 そこで本研究では, 合成データに対するモデルの有効性を実証し, 心拍数の表現型を分割し, 心拍記録を健常者および異常者に対応するクラスに分類する。

関連論文リスト

• Capturing Temporal Components for Time Series Classification [5.70772577110828]
  本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。 マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。 シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
  論文  参考訳（メタデータ） (2024-06-20T16:15:21Z)
• Dynamic Multi-Network Mining of Tensor Time Series [8.59982222642104]
  時系列の時系列クラスタリングは、データマイニングにおいて重要なタスクである。 動的マルチネットワーク時系列クラスタリング(DMM)を提案する。 本手法はクラスタリング精度の点で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-02-19T02:06:04Z)
• 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)
• Self-Supervised Temporal Analysis of Spatiotemporal Data [2.2720298829059966]
  地理空間活動の時間的パターンと土地利用のタイプとの間には相関関係がある。 移動活動時系列に基づいて景観を階層化する,新たな自己教師型手法を提案する。 実験により、時間埋め込みは時系列データの意味論的に意味のある表現であり、異なるタスクにまたがって効果的であることが示されている。
  論文  参考訳（メタデータ） (2023-04-25T20:34:38Z)
• Temporal Segment Transformer for Action Segmentation [54.25103250496069]
  本稿では,テキスト・セグメント・トランスフォーマ (textittemporal segment transformer) と呼ぶアテンション・ベース・アプローチを提案する。 主な考え方は、セグメントとフレームの間の注意を用いてセグメント表現を識別することであり、またセグメント間の時間的相関を捉えるためにセグメント間注意を用いる。 このアーキテクチャは,50Salads,GTEA,Breakfastのベンチマークにおいて,最先端の精度を実現していることを示す。
  論文  参考訳（メタデータ） (2023-02-25T13:05:57Z)
• Irregularly-Sampled Time Series Modeling with Spline Networks [0.0]
  本稿では,スプラインをニューラルネットワークへの入力として,特に補間関数に直接変換を適用することを提案する。 これにより、不規則なシーケンスをコンパクトに表現し、分類や予測といった下流タスクでこの表現を使用することができる。
  論文  参考訳（メタデータ） (2022-10-19T15:05:41Z)
• Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees [7.090165638014331]
  最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて構築され、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 シミュレーションと実世界の両方のデータから,提案手法は最先端技術よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-08T19:03:21Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• A Differentiable Relaxation of Graph Segmentation and Alignment for AMR Parsing [75.36126971685034]
  我々は、アライメントとセグメンテーションをモデルの潜在変数として扱い、エンドツーエンドのトレーニングの一部としてそれらを誘導する。 また,AMRの個々の構造を扱うために手作りされたLyu2018AMRPAのセグメンテーションルールに依存するモデルにもアプローチした。
  論文  参考訳（メタデータ） (2020-10-23T21:22:50Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。