Fugu-MT 論文翻訳(概要): Longitudinal Support Vector Machines for High Dimensional Time Series

論文の概要: Longitudinal Support Vector Machines for High Dimensional Time Series

arxiv url: http://arxiv.org/abs/2002.09763v1
Date: Sat, 22 Feb 2020 20:01:59 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 18:52:40.669438
Title: Longitudinal Support Vector Machines for High Dimensional Time Series
Title（参考訳）: 高次元時系列用縦型支持ベクトルマシン
Authors: Kristiaan Pelckmans and Hong-Li Zeng
Abstract要約: 観察された機能データから分類器を学習する問題を考察する。特に,新たな時系列のラベルを予測するための学習の課題について考察する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of learning a classifier from observed functional data. Here, each data-point takes the form of a single time-series and contains numerous features. Assuming that each such series comes with a binary label, the problem of learning to predict the label of a new coming time-series is considered. Hereto, the notion of {\em margin} underlying the classical support vector machine is extended to the continuous version for such data. The longitudinal support vector machine is also a convex optimization problem and its dual form is derived as well. Empirical results for specified cases with significance tests indicate the efficacy of this innovative algorithm for analyzing such long-term multivariate data.
Abstract（参考訳）: 観測された機能データから分類器を学習する問題を考える。ここで、各データポイントは単一の時系列の形をとり、多くの特徴を含んでいる。各シリーズにバイナリラベルが付属していると仮定すると、新しい時系列のラベルを予測することの難しさが考慮される。ここで、古典的サポートベクトルマシンの根底にある {\em margin} の概念は、そのようなデータに対して連続バージョンに拡張される。縦支持ベクトルマシンも凸最適化問題であり、その双対形式も導出される。有意テストのある特定事例に対する実験結果から, 長期多変量解析におけるこのアルゴリズムの有効性が示唆された。

関連論文リスト

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)
Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2022-04-28T20:41:49Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文参考訳（メタデータ） (2022-01-26T17:54:14Z)
Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文参考訳（メタデータ） (2022-01-14T19:23:24Z)
Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
論文参考訳（メタデータ） (2021-12-10T06:58:05Z)
Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
論文参考訳（メタデータ） (2021-03-15T08:12:19Z)
Model identification and local linear convergence of coordinate descent [74.87531444344381]
循環座標降下は、幅広い種類の関数に対して有限時間でモデル同定を達成することを示す。また、座標降下に対する局所収束速度を明示的に証明する。
論文参考訳（メタデータ） (2020-10-22T16:03:19Z)
Multivariate Temporal Autoencoder for Predictive Reconstruction of Deep Sequences [0.0]
時系列の予測とモデリングは、実世界のデータセットにおいて挑戦的な試みであることが証明されている。 2つの重要な問題は、データの多次元性と、遅延出力信号を形成する独立次元の相互作用である。本稿では,データウィンドウの潜在状態ベクトル表現をモデル化することにより,上記の問題に対処するためのマルチブランチディープニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2020-10-07T21:25:35Z)
Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2020-09-04T07:46:19Z)

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。