Fugu-MT 論文翻訳(概要): Exploring time-series motifs through DTW-SOM

論文の概要: Exploring time-series motifs through DTW-SOM

arxiv url: http://arxiv.org/abs/2004.08176v1
Date: Fri, 17 Apr 2020 11:21:16 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 12:39:59.508028
Title: Exploring time-series motifs through DTW-SOM
Title（参考訳）: DTW-SOMによる時系列モチーフの探索
Authors: Maria In\^es Silva and Roberto Henriques
Abstract要約: 我々は、モチーフ探索アルゴリズムによって計算された時系列モチーフを視覚的に探索することは、結果の理解とデバッグに有用であると主張している。モチーフ探索アルゴリズムの出力を探索するために,適応型自己組織化マップDTW-SOMを提案する。 UCR時系列分類アーカイブから合成モチーフデータセットと2つの実時間時系列データセットを用いてDTW-SOMをテストする。
参考スコア（独自算出の注目度）: 3.42658286826597
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Motif discovery is a fundamental step in data mining tasks for time-series data such as clustering, classification and anomaly detection. Even though many papers have addressed the problem of how to find motifs in time-series by proposing new motif discovery algorithms, not much work has been done on the exploration of the motifs extracted by these algorithms. In this paper, we argue that visually exploring time-series motifs computed by motif discovery algorithms can be useful to understand and debug results. To explore the output of motif discovery algorithms, we propose the use of an adapted Self-Organizing Map, the DTW-SOM, on the list of motif's centers. In short, DTW-SOM is a vanilla Self-Organizing Map with three main differences, namely (1) the use the Dynamic Time Warping distance instead of the Euclidean distance, (2) the adoption of two new network initialization routines (a random sample initialization and an anchor initialization) and (3) the adjustment of the Adaptation phase of the training to work with variable-length time-series sequences. We test DTW-SOM in a synthetic motif dataset and two real time-series datasets from the UCR Time Series Classification Archive. After an exploration of results, we conclude that DTW-SOM is capable of extracting relevant information from a set of motifs and display it in a visualization that is space-efficient.
Abstract（参考訳）: モチーフ発見は、クラスタリング、分類、異常検出といった時系列データのためのデータマイニングタスクの基本的なステップである。多くの論文が、新しいモチーフ発見アルゴリズムを提案して、時系列でモチーフを見つける方法の問題に取り組んでいるが、これらのアルゴリズムによって抽出されたモチーフの探索についてはあまり研究されていない。本稿では,モチーフ探索アルゴリズムによって計算された時系列モチーフを視覚的に探索することは,結果の理解とデバッグに有用である,と論じる。モチーフ発見アルゴリズムの出力を探索するために,モチーフ中心の一覧に適応した自己組織化マップdtw-somを用いることを提案する。要するにDTW-SOMは,(1)ユークリッド距離の代わりに動的時間ワープ距離を用いること,(2)2つの新しいネットワーク初期化ルーチン(ランダム標本初期化とアンカー初期化)の導入,(3)可変長時系列シーケンスを扱うためのトレーニングの適応フェーズの調整という,3つの大きな違いを持つ,バニラ自己組織化マップである。 UCR時系列分類アーカイブから合成モチーフデータセットと実時間時系列データセットを用いてDTW-SOMをテストする。実験の結果,DTW-SOMは一連のモチーフから関連情報を抽出し,空間効率のよい可視化に表示できることがわかった。

関連論文リスト

Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文参考訳（メタデータ） (2024-08-23T14:06:30Z)
Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
論文参考訳（メタデータ） (2024-07-02T09:11:17Z)
TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
論文参考訳（メタデータ） (2023-03-01T08:33:16Z)
Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
論文参考訳（メタデータ） (2023-01-30T13:27:47Z)
3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文参考訳（メタデータ） (2022-11-01T20:59:38Z)
Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文参考訳（メタデータ） (2022-09-01T10:46:09Z)
Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文参考訳（メタデータ） (2022-01-05T02:14:57Z)
SOMTimeS: Self Organizing Maps for Time Series Clustering and its Application to Serious Illness Conversations [3.2689702143620147]
我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
論文参考訳（メタデータ） (2021-08-26T00:18:25Z)
Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
論文参考訳（メタデータ） (2020-11-08T10:40:26Z)
Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW [1.282368486390644]
動的時間ワープの下で時系列のモチーフを発見するための,最初のスケーラブルな正確な方法を提案する。我々のアルゴリズムは、DTW計算の99.99%を許容できる。
論文参考訳（メタデータ） (2020-09-16T19:35:43Z)
Laplacian Change Point Detection for Dynamic Graphs [10.556288610354997]
各スナップショットにおけるグラフ構造のラプラシアン行列のスペクトルを用いて低次元埋め込みを求めるラプラシアン異常検出(Laplacian Anomaly Detection,LAD)を提案する。合成実験では、LADは最先端の手法よりも優れている。また,UCIメッセージネットワーク,米国上院共同責任ネットワーク,カナダ紙幣投票ネットワークの3つの実動的ネットワーク上で,本手法の評価を行った。
論文参考訳（メタデータ） (2020-07-02T16:24:24Z)

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。