論文の概要: Multi-label Prediction in Time Series Data using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2001.10098v1
• Date: Mon, 27 Jan 2020 21:35:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 07:58:00.654454
• Title: Multi-label Prediction in Time Series Data using Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いた時系列データのマルチラベル予測
• Authors: Wenyu Zhang, Devesh K. Jha, Emil Laftchiev, Daniel Nikovski
• Abstract要約: 本稿では,多次元時系列データに対するマルチラベル予測故障分類問題に対処する。 提案アルゴリズムは2つの公開ベンチマークデータセットで検証される。
• 参考スコア（独自算出の注目度）: 19.950094635430048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses a multi-label predictive fault classification problem for multidimensional time-series data. While fault (event) detection problems have been thoroughly studied in literature, most of the state-of-the-art techniques can't reliably predict faults (events) over a desired future horizon. In the most general setting of these types of problems, one or more samples of data across multiple time series can be assigned several concurrent fault labels from a finite, known set and the task is to predict the possibility of fault occurrence over a desired time horizon. This type of problem is usually accompanied by strong class imbalances where some classes are represented by only a few samples. Importantly, in many applications of the problem such as fault prediction and predictive maintenance, it is exactly these rare classes that are of most interest. To address the problem, this paper proposes a general approach that utilizes a multi-label recurrent neural network with a new cost function that accentuates learning in the imbalanced classes. The proposed algorithm is tested on two public benchmark datasets: an industrial plant dataset from the PHM Society Data Challenge, and a human activity recognition dataset. The results are compared with state-of-the-art techniques for time-series classification and evaluation is performed using the F1-score, precision and recall.
• Abstract（参考訳）: 本稿では,多次元時系列データに対するマルチラベル予測故障分類問題に対処する。 フォールト(イベント)検出問題は文献で徹底的に研究されているが、最先端の技術のほとんどは、望ましい将来的な展望で確実に障害(イベント)を予測できない。 これらの問題の最も一般的な設定では、複数の時系列にまたがるデータの1つ以上のサンプルを、有限の既知の集合から複数の同時障害ラベルを割り当てることができ、そのタスクは、所望の時間的地平線上での障害発生の可能性を予測することである。 この種の問題は通常、いくつかのクラスが少数のサンプルで表される強いクラス不均衡を伴う。 重要なことに、障害予測や予測保守といった多くの応用において、最も興味深いのはこれらの稀なクラスである。 そこで本研究では,不均衡なクラスにおける学習をアクセントする新たなコスト関数を持つマルチラベルリカレントニューラルネットワークを用いた一般的なアプローチを提案する。 提案アルゴリズムは、PHM Society Data Challengeの産業プラントデータセットと、人間の活動認識データセットの2つの公開ベンチマークデータセットでテストされている。 結果は,時系列分類のための最先端技術と比較し,f1-score,精度,リコールを用いて評価を行う。

関連論文リスト

• An End-to-End Model for Time Series Classification In the Presence of Missing Values [25.129396459385873]
  時系列分析では,データ不足による時系列分類が問題となっている。 本研究では,データ計算と表現学習を単一のフレームワーク内で統一するエンドツーエンドニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-11T19:39:12Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Multi-Label Quantification [78.83284164605473]
  定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。 本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:29:59Z)
• Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
  本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。 まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。 その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。 実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-07-04T16:22:44Z)
• Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
  本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。 実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
  論文  参考訳（メタデータ） (2022-04-07T14:02:15Z)
• Deep Time Series Models for Scarce Data [8.673181404172963]
  時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。 データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
  論文  参考訳（メタデータ） (2021-03-16T22:16:54Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Clustering Time Series Data through Autoencoder-based Deep Learning Models [1.0499611180329802]
  本稿では時系列データをクラスタリングするための2段階の手法を提案する。 まず、ラベルを作成するために、与えられた時系列データの特徴を利用する手法を紹介する。 次に、自動エンコーダに基づくディープラーニングモデルを構築し、時系列データの既知の特徴と隠れた特徴の両方を学習し、モデル化する。
  論文  参考訳（メタデータ） (2020-04-11T18:51:13Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。