論文の概要: Representation Learning on Variable Length and Incomplete
Wearable-Sensory Time Series
- arxiv url: http://arxiv.org/abs/2002.03595v3
- Date: Wed, 27 May 2020 21:14:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 08:17:21.109536
- Title: Representation Learning on Variable Length and Incomplete
Wearable-Sensory Time Series
- Title（参考訳）: 可変長と不完全ウェアラブル感時系列の表現学習
- Authors: Xian Wu, Chao Huang, Pablo Roblesgranda, Nitesh Chawla
- Abstract要約: HeartSpaceは、時系列エンコーディングモジュールとパターン集約ネットワークを統合して、可変長および欠落値の時系列データをエンコードする。
HeartSpaceはシームズ・トリップレットネットワークを実装し、シリーズ内およびシリーズ間相関を共同でキャプチャすることで表現を最適化する。
2つの異なる実世界のデータに対する実証的な評価は、様々なアプリケーションにおいて、最先端のベースラインよりも顕著なパフォーマンス向上を示す。
- 参考スコア（独自算出の注目度）: 29.061466414756925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of wearable sensors (e.g., smart wristband) is creating
unprecedented opportunities to not only inform health and wellness states of
individuals, but also assess and infer personal attributes, including
demographic and personality attributes. However, the data captured from
wearables, such as heart rate or number of steps, present two key challenges:
1) the time series is often of variable-length and incomplete due to different
data collection periods (e.g., wearing behavior varies by person); and 2)
inter-individual variability to external factors like stress and environment.
This paper addresses these challenges and brings us closer to the potential of
personalized insights about an individual, taking the leap from quantified self
to qualified self. Specifically, HeartSpace proposed in this paper encodes time
series data with variable-length and missing values via the integration of a
time series encoding module and a pattern aggregation network. Additionally,
HeartSpace implements a Siamese-triplet network to optimize representations by
jointly capturing intra- and inter-series correlations during the embedding
learning process. The empirical evaluation over two different real-world data
presents significant performance gains overstate-of-the-art baselines in a
variety of applications, including personality prediction, demographics
inference, and user identification.
- Abstract（参考訳）: ウェアラブルセンサー(例えばスマートリストバンド)の普及は、個人の健康状態や健康状態だけでなく、人口統計やパーソナリティ属性を含む個人の属性を評価し、推測する前例のない機会を生み出している。
しかし、心拍数や歩数などのウェアラブルから取得したデータは、2つの重要な課題を示している。
1) 時系列は、データ収集期間が異なるため、しばしば可変長で不完全である(例えば、着用行動は人によって異なる)。
2)ストレスや環境などの外部要因に対する個人間変動
本稿は、これらの課題に対処し、個人に関するパーソナライズされた洞察の可能性に近づき、定量化された自己から資格ある自己へと飛躍する。
具体的には,時系列符号化モジュールとパターンアグリゲーションネットワークの統合により,時系列データを可変長・欠落値で符号化する。
さらに、heartspaceはsiamese-tripletネットワークを実装し、埋め込み学習プロセス中に、シリーズ内およびシリーズ間相関を共同で捉えて表現を最適化する。
2つの異なる実世界のデータに対する実証的な評価は、人格予測、人口統計推定、ユーザー識別など、さまざまなアプリケーションにおいて、最先端のベースラインよりも大きなパフォーマンス向上を示す。
関連論文リスト
- Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。
GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。
このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-05-22T16:41:21Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳（メタデータ） (2023-03-21T15:02:50Z) - Learning signatures of decision making from many individuals playing the
same game [54.33783158658077]
我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。
我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-02-21T21:41:53Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - DOT-VAE: Disentangling One Factor at a Time [1.6114012813668934]
本稿では,変分オートエンコーダの潜伏空間を乱交空間で拡張し,Wake-Sleep-inspireed two-step algorithm for unsupervised disentanglementを用いて学習する手法を提案する。
我々のネットワークは、解釈可能な独立した因子を一度に1つのデータから切り離すことを学び、それを非絡み合った潜在空間の異なる次元にエンコードし、因子の数やそれらの共同分布について事前の仮定をしない。
論文 参考訳（メタデータ） (2022-10-19T22:53:02Z) - Graph-Guided Network for Irregularly Sampled Multivariate Time Series [15.919269970122555]
本稿では,不規則なサンプル時系列の表現を学習するためのグラフ誘導ネットワークであるRAINDROPを紹介する。
RAINDROPはすべてのサンプルをグラフとして表現し、ノードはセンサーを示し、エッジはそれら間の依存関係を表す。
我々は、RAINDROPを用いて時系列を分類し、3つの医療および人間の活動データセットの時間的ダイナミクスを解釈する。
論文 参考訳（メタデータ） (2021-10-11T15:37:58Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - Pattern Discovery in Time Series with Byte Pair Encoding [12.338599136651261]
そこで本研究では,時系列の共通パターンに基づいて時系列の表現を学習するための教師なし手法を提案する。
このようにして、この方法は、データに存在する長期的および短期的な依存関係の両方をキャプチャすることができる。
論文 参考訳（メタデータ） (2021-05-30T00:47:19Z) - Deep dynamic modeling with just two time points: Can we still allow for
individual trajectories? [0.0]
疫学コホート研究や臨床登録では、縦断的生医学データはしばしばスパースタイムグリッドによって特徴づけられる。
ディープラーニングと動的モデリングを組み合わせた最近の進歩から着想を得て,そのような手法が複雑な構造を明らかにするのに有用かどうかを考察する。
このような動的ディープラーニングアプローチは、極端に小さなデータ設定でも有用であるが、慎重に適応する必要がある。
論文 参考訳（メタデータ） (2020-12-01T16:58:02Z) - Hide-and-Seek Privacy Challenge [88.49671206936259]
NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。
我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
論文 参考訳（メタデータ） (2020-07-23T15:50:59Z) - Penalized Estimation and Forecasting of Multiple Subject Intensive
Longitudinal Data [7.780531445879182]
本稿では,様々な話題の課題に対処する新しいモデリングフレームワークを提案する。
個々の時系列の長さと収集した変数数が大まかに等価である場合、どのようにILDをモデル化し、予測することができるか?
第二に、多くのILDシナリオに固有の横断的情報(対人的情報)をいかに活用するか、そして、認定された個人は量的にも質的にも、どのように異なるか。
論文 参考訳（メタデータ） (2020-07-09T20:34:23Z)
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。