論文の概要: RobustPeriod: Time-Frequency Mining for Robust Multiple Periodicity
Detection
- arxiv url: http://arxiv.org/abs/2002.09535v2
- Date: Mon, 8 Mar 2021 00:59:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:09:59.176625
- Title: RobustPeriod: Time-Frequency Mining for Robust Multiple Periodicity
Detection
- Title（参考訳）: RobustPeriod:ロバスト多重周期検出のための時間周波数マイニング
- Authors: Qingsong Wen, Kai He, Liang Sun, Yingying Zhang, Min Ke, Huan Xu
- Abstract要約: 複数の周期性検出のための頑健で汎用的なフレームワークを提案する。
我々のアルゴリズムは、時系列を複数の時間周波数スケールに変換するために、最大重なり合う離散ウェーブレット変換を適用している。
合成および実世界のデータセットの実験により、我々のアルゴリズムは、単周期検出と複数周期検出の両方において、他の一般的なデータセットよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 36.254037216142244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Periodicity detection is a crucial step in time series tasks, including
monitoring and forecasting of metrics in many areas, such as IoT applications
and self-driving database management system. In many of these applications,
multiple periodic components exist and are often interlaced with each other.
Such dynamic and complicated periodic patterns make the accurate periodicity
detection difficult. In addition, other components in the time series, such as
trend, outliers and noises, also pose additional challenges for accurate
periodicity detection. In this paper, we propose a robust and general framework
for multiple periodicity detection. Our algorithm applies maximal overlap
discrete wavelet transform to transform the time series into multiple
temporal-frequency scales such that different periodic components can be
isolated. We rank them by wavelet variance, and then at each scale detect
single periodicity by our proposed Huber-periodogram and Huber-ACF robustly. We
rigorously prove the theoretical properties of Huber-periodogram and justify
the use of Fisher's test on Huber-periodogram for periodicity detection. To
further refine the detected periods, we compute unbiased autocorrelation
function based on Wiener-Khinchin theorem from Huber-periodogram for improved
robustness and efficiency. Experiments on synthetic and real-world datasets
show that our algorithm outperforms other popular ones for both single and
multiple periodicity detection.
- Abstract（参考訳）: 周期性検出は、IoTアプリケーションや自動運転データベース管理システムなど、多くの領域におけるメトリクスの監視と予測を含む、時系列タスクにおける重要なステップである。
これらのアプリケーションの多くは、複数の周期成分が存在し、しばしば相互に介在する。
このような動的で複雑な周期パターンは、正確な周期性検出を困難にする。
さらに、トレンド、外れ値、ノイズといった時系列の他のコンポーネントも、正確な周期性検出に新たな課題を提起している。
本稿では,複数周期性検出のための頑健で汎用的なフレームワークを提案する。
このアルゴリズムは最大重なり離散ウェーブレット変換を適用し、周期成分を分離できるように時系列を複数の時間周波数スケールに変換する。
ウェーブレット分散により分類し,提案するフーバー周期図とフーバーacfを用いて各スケールで単一周期性を頑健に検出する。
本研究では, 周期性検出におけるHuter-Chronicleogramの理論的特性を厳密に証明し, FisherによるHuber-Chronicleogramの試験を正当化する。
検出期間をさらに改善するため, フーバー・クロマトグラムからウィナー・ヒンチンの定理に基づく非バイアス自己相関関数を計算し, 堅牢性と効率性を向上させる。
合成および実世界のデータセットの実験により、我々のアルゴリズムは、単周期検出と複数周期検出の両方において、他の一般的なデータセットよりも優れていることが示された。
関連論文リスト
- Peri-midFormer: Periodic Pyramid Transformer for Time Series Analysis [18.576473875972717]
時系列分析は、天気予報、異常検出、行動認識などの分野に広く応用されている。
従来の手法では1次元時系列を用いて時間変動を直接モデル化する試みがあった。
提案するPeri-midFormerは,5つの主流時系列解析タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-11-07T09:24:26Z) - An Unsupervised Approach for Periodic Source Detection in Time Series [22.053675805215686]
ノイズのある時系列データ内の周期的関心パターンの検出は、様々なタスクにおいて重要な役割を果たす。
既存の学習技術は、しばしば周期性を検出するためにラベルやクリーンな信号に頼っている。
本稿では,ラベルを使わずに時系列の周期性を検出する手法を提案する。
論文 参考訳（メタデータ） (2024-06-01T22:23:51Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - 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) - 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) - Kernel-based Joint Independence Tests for Multivariate Stationary and
Non-stationary Time Series [0.6749750044497732]
多変量時系列における共同独立のカーネルベース統計テストを導入する。
提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。
我々の手法はデータの高次相互作用を明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-05-15T10:38:24Z) - 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) - Robust Dominant Periodicity Detection for Time Series with Missing Data [16.4811309500413]
ブロック欠落データを含む時系列に対する頑健な周期性検出アルゴリズムを提案する。
まず、欠落したデータの下での複雑な傾向パターンの干渉を取り除くために、ロバストなトレンドフィルタを設計する。
そこで我々は,欠落した値や外れ値を効果的に処理できる頑健な自己相関関数 (ACF) を提案する。
論文 参考訳（メタデータ） (2023-03-06T23:37:58Z) - 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) - RobustTAD: Robust Time Series Anomaly Detection via Decomposition and
Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。
時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。
パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文 参考訳（メタデータ） (2020-02-21T20:43:45Z)
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。