論文の概要: SummerTime: Variable-length Time SeriesSummarization with Applications
to PhysicalActivity Analysis
- arxiv url: http://arxiv.org/abs/2002.09000v1
- Date: Thu, 20 Feb 2020 20:20:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 06:58:15.099500
- Title: SummerTime: Variable-length Time SeriesSummarization with Applications
to PhysicalActivity Analysis
- Title（参考訳）: サマータイム:可変長時系列合成と物理活性解析への応用
- Authors: Kevin M. Amaral, Zihan Li, Wei Ding, Scott Crouter, Ping Chen
- Abstract要約: textitSummerTimeは、グローバルな時系列信号の要約を目指している。
可変長時系列の固定長で頑健な要約を提供する。
- 参考スコア（独自算出の注目度）: 6.027126804548653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: \textit{SummerTime} seeks to summarize globally time series signals and
provides a fixed-length, robust summarization of the variable-length time
series. Many classical machine learning methods for classification and
regression depend on data instances with a fixed number of features. As a
result, those methods cannot be directly applied to variable-length time series
data. One common approach is to perform classification over a sliding window on
the data and aggregate the decisions made at local sections of the time series
in some way, through majority voting for classification or averaging for
regression. The downside to this approach is that minority local information is
lost in the voting process and averaging assumes that each time series
measurement is equal in significance. Also, since time series can be of varying
length, the quality of votes and averages could vary greatly in cases where
there is a close voting tie or bimodal distribution of regression domain.
Summarization conducted by the \textit{SummerTime} method will be a
fixed-length feature vector which can be used in-place of the time series
dataset for use with classical machine learning methods. We use Gaussian
Mixture models (GMM) over small same-length disjoint windows in the time series
to group local data into clusters. The time series' rate of membership for each
cluster will be a feature in the summarization. The model is naturally capable
of converging to an appropriate cluster count. We compare our results to
state-of-the-art studies in physical activity classification and show
high-quality improvement by classifying with only the summarization. Finally,
we show that regression using the summarization can augment energy expenditure
estimation, producing more robust and precise results.
- Abstract（参考訳）: \textit{SummerTime} はグローバルな時系列信号を要約し、可変長時系列の固定長で堅牢な要約を提供する。
分類と回帰のための多くの古典的な機械学習手法は、一定の数の特徴を持つデータインスタンスに依存する。
その結果、これらの手法は可変長時系列データに直接適用できない。
1つの一般的なアプローチは、データのスライディングウィンドウ上で分類を行い、何らかの方法で時系列のローカルセクションでなされた決定を集約することである。
このアプローチの欠点は、マイノリティなローカル情報が投票プロセスで失われることであり、平均化は各時系列測定が重要であると仮定する。
また、時系列の長さも異なるため、投票率や平均値の質は、親密な投票関係や回帰領域のバイモーダル分布がある場合に大きく異なる可能性がある。
\textit{SummerTime} メソッドによる要約は固定長の特徴ベクトルであり、古典的な機械学習手法で使用する時系列データセットの in-place で使用できる。
時系列内の小さな同じ長さのウィンドウ上にガウス混合モデル(GMM)を用いて局所データをクラスタにグループ化する。
各クラスタに対する時系列のメンバシップ率は、要約における特徴である。
このモデルは自然に適切なクラスタ数に収束することができる。
本研究は,身体活動分類の最先端研究と比較し,要約のみによる分類による高品質な改善を示す。
最後に,要約による回帰はエネルギー支出の推定を増大させ,より堅牢で正確な結果が得られることを示す。
関連論文リスト
- Time Series Data Augmentation as an Imbalanced Learning Problem [2.5536554335016417]
我々は、オーバーサンプリング戦略を用いて、合成時系列観測を作成し、予測モデルの精度を向上させる。
5502個の単変量時系列を含む7種類のデータベースを用いて実験を行った。
提案手法は,グローバルモデルとローカルモデルの両方で優れており,この2つのアプローチのトレードオフが良好であることがわかった。
論文 参考訳（メタデータ） (2024-04-29T09:27:15Z) - 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) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳（メタデータ） (2023-10-17T06:29:09Z) - NuTime: Numerically Multi-Scaled Embedding for Large-Scale Time-Series Pretraining [28.595342663018627]
時系列データの数値特性に合わせた重要な技術的貢献を行う。
入力をオーバーラップしないウィンドウに分割することでTransformerアーキテクチャを採用する。
任意の数値振幅を持つスカラー値を高次元空間に埋め込むために,数値的に多スケールな埋め込みモジュールを提案する。
論文 参考訳（メタデータ） (2023-10-11T11:38:18Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - Fuzzy clustering of ordinal time series based on two novel distances
with economic applications [0.12891210250935145]
順序時間列間の2つの新しい距離を導入し、ファジィクラスタリング手順を構築するために使用した。
結果のクラスタリングアルゴリズムは計算効率が良く、類似のプロセスから生成されるシリーズをグループ化することができる。
経済時系列に関する2つの具体的な応用は、提案手法の有用性を示している。
論文 参考訳（メタデータ） (2023-04-24T16:39:22Z) - 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) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳（メタデータ） (2021-09-14T07:38:35Z) - Counting Out Time: Class Agnostic Video Repetition Counting in the Wild [82.26003709476848]
本稿では,アクションがビデオで繰り返される期間を推定するためのアプローチを提案する。
アプローチの要点は、周期予測モジュールを時間的自己相似性を使用するように制約することにある。
我々は、大規模なラベルなしビデオコレクションから生成される合成データセットを用いて、Repnetと呼ばれるこのモデルをトレーニングする。
論文 参考訳（メタデータ） (2020-06-27T18:00:42Z) - Interpretable Time Series Classification using Linear Models and
Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。
提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。
我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
論文 参考訳（メタデータ） (2020-05-31T15:32:08Z)
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。