論文の概要: A Benchmark Study on Time Series Clustering

• arxiv url: http://arxiv.org/abs/2004.09546v2
• Date: Sun, 26 Apr 2020 16:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 17:53:12.120008
• Title: A Benchmark Study on Time Series Clustering
• Title（参考訳）: 時系列クラスタリングに関するベンチマーク研究
• Authors: Ali Javed, Byung Suk Lee, Dona M. Rizzo
• Abstract要約: 本稿では,カリフォルニア大学リバーサイド校(UCR)のアーカイブで現在利用可能なすべての時系列データセットを利用した,最初の時系列クラスタリングベンチマークを提案する。 ベンチマークでは,クラスタリングアルゴリズムの3つのカテゴリと距離測定の3つのカテゴリを表す8つの一般的なクラスタリング手法を検討した。
• 参考スコア（独自算出の注目度）: 5.82713396700009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the first time series clustering benchmark utilizing all time series datasets currently available in the University of California Riverside (UCR) archive -- the state of the art repository of time series data. Specifically, the benchmark examines eight popular clustering methods representing three categories of clustering algorithms (partitional, hierarchical and density-based) and three types of distance measures (Euclidean, dynamic time warping, and shape-based). We lay out six restrictions with special attention to making the benchmark as unbiased as possible. A phased evaluation approach was then designed for summarizing dataset-level assessment metrics and discussing the results. The benchmark study presented can be a useful reference for the research community on its own; and the dataset-level assessment metrics reported may be used for designing evaluation frameworks to answer different research questions.
• Abstract（参考訳）: 本稿では,カリフォルニア大学リバーサイド校(UCR)のアーカイブで現在入手可能な時系列データセットを利用した,最初の時系列クラスタリングベンチマークを提案する。 具体的には,クラスタリングアルゴリズムの3つのカテゴリ(部分的,階層的,密度ベース)と3種類の距離測定(ユークリッド,動的時間ワープ,形状ベース)を表す8つの一般的なクラスタリング手法を検討した。 ベンチマークを可能な限り偏見のないものにするために、私たちは6つの制限を定めました。 フェーズ評価アプローチは、データセットレベルの評価メトリクスを要約し、結果について議論するために設計された。 報告されているデータセットレベルの評価指標は、さまざまな研究質問に答えるために評価フレームワークの設計に使用される可能性がある。

関連論文リスト

• On the Evaluation Consistency of Attribution-based Explanations [42.1421504321572]
  本稿では,画像領域における属性メソッドのベンチマークを行うオープンプラットフォームであるMeta-Rankを紹介する。 1) 異なる設定下での属性評価手法の評価は、異なる性能ランキングを得ることができ、2) 多数のケースで矛盾するが、同一のトレーニング軌道に沿った個別のチェックポイントにまたがる顕著な一貫性を示す。
  論文  参考訳（メタデータ） (2024-07-28T11:49:06Z)
• Evaluation of k-means time series clustering based on z-normalization and NP-Free [0.5898893619901381]
  本稿では,実世界のオープンソース時系列データセット上でのk平均時系列クラスタリングの性能評価を行う。 この評価は、z-正規化とNP-Freeの2つの異なる正規化技術に焦点を当てている。 本研究の目的は,これらの2つの正規化手法が,クラスタリング品質の観点から,k平均時系列クラスタリングに与える影響を評価することである。
  論文  参考訳（メタデータ） (2024-01-28T21:23:13Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• A framework for benchmarking clustering algorithms [2.900810893770134]
  クラスタリングアルゴリズムは、さまざまなベンチマーク問題でテストできる。 多くの研究論文や大学院論文では、少数のデータセットしか考慮していない。 我々はクラスタリングアルゴリズムをテストする一貫した方法論を導入することを目的としたフレームワークを開発した。
  論文  参考訳（メタデータ） (2022-09-20T06:10:41Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• From Time Series to Euclidean Spaces: On Spatial Transformations for Temporal Clustering [5.220940151628734]
  従来のクラスタリング手法,時系列特異性,あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元性が存在する場合によく一般化しないことを示す。 本稿では,入力時系列を距離ベース投影表現に変換する時間クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-02T09:08:16Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。