論文の概要: Nonlinear Time Series Classification Using Bispectrum-based Deep
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2003.02353v1
- Date: Wed, 4 Mar 2020 22:27:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 12:32:15.626872
- Title: Nonlinear Time Series Classification Using Bispectrum-based Deep
Convolutional Neural Networks
- Title（参考訳）: Bispectrum-based Deep Convolutional Neural Networks を用いた非線形時系列分類
- Authors: Paul A. Parker, Scott H. Holan, Nalini Ravishanker
- Abstract要約: 時系列分類は最近の復活と統計学者の関心の高まりを経験している。
モチベーションの例として、非常に非線形な振る舞いを示すGoogleトレンドデータがある。
本稿では,高次スペクトル分析(HOSA)と深部畳み込みニューラルネットワーク(CNN)を融合して時系列を分類する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.23204178451683263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series classification using novel techniques has experienced a recent
resurgence and growing interest from statisticians, subject-domain scientists,
and decision makers in business and industry. This is primarily due to the ever
increasing amount of big and complex data produced as a result of technological
advances. A motivating example is that of Google trends data, which exhibit
highly nonlinear behavior. Although a rich literature exists for addressing
this problem, existing approaches mostly rely on first and second order
properties of the time series, since they typically assume linearity of the
underlying process. Often, these are inadequate for effective classification of
nonlinear time series data such as Google Trends data. Given these
methodological deficiencies and the abundance of nonlinear time series that
persist among real-world phenomena, we introduce an approach that merges higher
order spectral analysis (HOSA) with deep convolutional neural networks (CNNs)
for classifying time series. The effectiveness of our approach is illustrated
using simulated data and two motivating industry examples that involve Google
trends data and electronic device energy consumption data.
- Abstract（参考訳）: 新たな技術を用いた時系列分類は、統計学者、主題ドメイン科学者、ビジネスおよび産業における意思決定者から近年の復活と関心が高まっている。
これは主に、技術進歩の結果として生成される大規模で複雑なデータの増加によるものである。
モチベーションの例として、非常に非線形な振る舞いを示すGoogleトレンドデータがある。
この問題に対処するためには豊富な文献が存在するが、既存のアプローチは主に時系列の1階と2階の性質に依存している。
多くの場合、これらはGoogle Trendsデータのような非線形時系列データの効果的な分類には不十分である。
これらの方法論的欠陥と実世界の現象の中で持続する非線形時系列の存在を考えると、高次スペクトル分析(HOSA)と深部畳み込みニューラルネットワーク(CNN)を融合して時系列を分類するアプローチを導入する。
提案手法の有効性を,シミュレーションデータと,Googleトレンドデータと電子機器エネルギー消費データを含む2つの産業事例を用いて示す。
関連論文リスト
- State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。
新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
論文 参考訳（メタデータ） (2024-06-13T12:51:22Z) - TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。
単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文 参考訳（メタデータ） (2024-04-01T20:33:29Z) - On the Resurgence of Recurrent Models for Long Sequences -- Survey and
Research Opportunities in the Transformer Era [59.279784235147254]
この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。
長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
論文 参考訳（メタデータ） (2024-02-12T23:55:55Z) - 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) - Neural Koopman prior for data assimilation [7.875955593012905]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳（メタデータ） (2023-09-11T09:04:36Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。
予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-31T17:47:10Z) - Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
論文 参考訳（メタデータ） (2020-10-16T08:29:36Z) - Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。
時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。
ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文 参考訳（メタデータ） (2020-10-01T17:38:40Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。