論文の概要: Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher

• arxiv url: http://arxiv.org/abs/2004.08780v1
• Date: Sun, 19 Apr 2020 06:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 23:56:17.955889
• Title: Time Series Data Augmentation for Neural Networks by Time Warping with a Discriminative Teacher
• Title（参考訳）: 判別教師による時間ゆがみによるニューラルネットワークの時系列データ拡張
• Authors: Brian Kenji Iwana and Seiichi Uchida
• Abstract要約: 本稿では,ガイド付きワープと呼ばれる新しい時系列データ拡張を提案する。 ガイド付きワープは動的時間ワープ(DTW)と形状DTWの要素アライメント特性を利用する。 我々は、深部畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を用いて、2015 UCR Time Series Archiveにある85のデータセットすべてに対する手法の評価を行った。
• 参考スコア（独自算出の注目度）: 17.20906062729132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks have become a powerful tool in pattern recognition and part of their success is due to generalization from using large datasets. However, unlike other domains, time series classification datasets are often small. In order to address this problem, we propose a novel time series data augmentation called guided warping. While many data augmentation methods are based on random transformations, guided warping exploits the element alignment properties of Dynamic Time Warping (DTW) and shapeDTW, a high-level DTW method based on shape descriptors, to deterministically warp sample patterns. In this way, the time series are mixed by warping the features of a sample pattern to match the time steps of a reference pattern. Furthermore, we introduce a discriminative teacher in order to serve as a directed reference for the guided warping. We evaluate the method on all 85 datasets in the 2015 UCR Time Series Archive with a deep convolutional neural network (CNN) and a recurrent neural network (RNN). The code with an easy to use implementation can be found at https://github.com/uchidalab/time_series_augmentation .
• Abstract（参考訳）: ニューラルネットワークはパターン認識において強力なツールとなり、その成功の一部は大規模データセットの使用の一般化によるものだ。 しかし、他の領域とは異なり、時系列分類データセットはしばしば小さい。 この問題に対処するため,ガイド付きワープと呼ばれる新しい時系列データ拡張を提案する。 多くのデータ拡張法はランダムな変換に基づいているが、ガイドドワーピングは動的時間ワーピング(dtw)と形状記述子に基づく高レベルdtw法(shapetw)の要素アライメント特性を利用して、決定論的にサンプルパターンをワープする。 このようにして、参照パターンの時間ステップに合うようにサンプルパターンの特徴を歪ませて時系列を混合する。 さらに,指導的ワープの指導的参考として,差別的な教師を紹介した。 本手法は, 深部畳み込みニューラルネットワーク (CNN) とリカレントニューラルネットワーク (RNN) を用いて, 2015 UCR Time Series Archive の85データセットについて評価した。 実装が容易なコードはhttps://github.com/uchidalab/time_series_augmentation にある。

関連論文リスト

• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• 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)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
  時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。 既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。 本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:15:04Z)
• DTW-Merge: A Novel Data Augmentation Technique for Time Series Classification [6.091096843566857]
  本稿では,動的時間ワーピングに基づく時系列の新たなデータ拡張手法を提案する。 提案されたアプローチを最近紹介したResNetは、2018年のUCR時系列分類アーカイブで結果の改善を明らかにしている。
  論文  参考訳（メタデータ） (2021-03-01T16:40:47Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Learning from Irregularly-Sampled Time Series: A Missing Data Perspective [18.493394650508044]
  不規則にサンプリングされた時系列は、医療を含む多くの領域で発生する。 連続だが観測されていない関数からサンプリングされた指数値対の列として、不規則にサンプリングされた時系列データをモデル化する。 本稿では,変分オートエンコーダと生成対向ネットワークに基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2020-08-17T20:01:55Z)
• An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks [17.20906062729132]
  時系列データの拡張手法とそのニューラルネットワークを用いた時系列分類への応用について検討する。 分類法を提案し,時系列データ拡張における4つのファミリについて概説する。 6種類のニューラルネットワークを用いた128の時系列分類データセットに対して,12の時系列データ拡張手法を実験的に評価した。
  論文  参考訳（メタデータ） (2020-07-31T10:33:54Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。