論文の概要: Instance Explainable Temporal Network For Multivariate Timeseries
- arxiv url: http://arxiv.org/abs/2005.13037v2
- Date: Sun, 2 Aug 2020 22:56:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 23:21:10.369121
- Title: Instance Explainable Temporal Network For Multivariate Timeseries
- Title（参考訳）: 多変量タイムリーのための説明可能な時間ネットワーク
- Authors: Naveen Madiraju, Homa Karimabadi
- Abstract要約: 本稿では,推論のインスタンスごとの分類決定において重要なチャネルを識別する新しいネットワーク(IETNet)を提案する。
IETNetは、時間的特徴抽出、変数選択、共同変数の相互作用を単一の学習フレームワークに組み合わせたエンドツーエンドネットワークである。
- 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: Although deep networks have been widely adopted, one of their shortcomings
has been their blackbox nature. One particularly difficult problem in machine
learning is multivariate time series (MVTS) classification. MVTS data arise in
many applications and are becoming ever more pervasive due to explosive growth
of sensors and IoT devices. Here, we propose a novel network (IETNet) that
identifies the important channels in the classification decision for each
instance of inference. This feature also enables identification and removal of
non-predictive variables which would otherwise lead to overfit and/or
inaccurate model. IETNet is an end-to-end network that combines temporal
feature extraction, variable selection, and joint variable interaction into a
single learning framework. IETNet utilizes an 1D convolutions for temporal
features, a novel channel gate layer for variable-class assignment using an
attention layer to perform cross channel reasoning and perform classification
objective. To gain insight into the learned temporal features and channels, we
extract region of interest attention map along both time and channels. The
viability of this network is demonstrated through a multivariate time series
data from N body simulations and spacecraft sensor data.
- Abstract（参考訳）: ディープネットワークは広く採用されているが、その欠点の1つはブラックボックスの性質である。
機械学習における特に難しい問題は、多変量時系列(mvts)分類である。
MVTSデータは、多くのアプリケーションで発生し、センサやIoTデバイスの爆発的な成長により、ますます広まりつつある。
本稿では,推論の各インスタンスの分類決定において重要なチャネルを識別する新しいネットワーク(IETNet)を提案する。
この機能はまた、非予測変数の識別と削除を可能にし、そうでなければオーバーフィットや不正確なモデルにつながる。
IETNetは、時間的特徴抽出、変数選択、共同変数の相互作用を単一の学習フレームワークに組み合わせたエンドツーエンドネットワークである。
IETNetは、時間的特徴のための1D畳み込み、注目層を用いた可変クラス割り当てのための新しいチャネルゲート層を使用して、クロスチャネル推論を行い、分類目的を実行する。
学習した時間的特徴とチャネルの洞察を得るため,時間とチャネルの双方に沿って注目領域を抽出する。
n体シミュレーションと宇宙船センサデータから,多変量時系列データを用いて,このネットワークの実現性を示す。
関連論文リスト
- TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
時系列データは、その固有の長短の依存関係によって特徴づけられる。
本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。
我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
論文 参考訳（メタデータ） (2024-04-12T13:41:29Z) - SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳（メタデータ） (2024-02-20T18:48:49Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Feature Disentanglement Learning with Switching and Aggregation for
Video-based Person Re-Identification [9.068045610800667]
映像人物再識別(Re-ID)では、連続したフレームから対象人物の特徴を一貫して抽出する必要がある。
既存の手法は時間的情報の使用方法にのみ焦点をあてる傾向があり、しばしばネットワークは同じような外観と同じ背景に騙される。
本稿では,DSANet(Disentanglement and Switching and Aggregation Network)を提案する。
論文 参考訳（メタデータ） (2022-12-16T04:27:56Z) - Group Fisher Pruning for Practical Network Compression [58.25776612812883]
本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。
我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。
提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
論文 参考訳（メタデータ） (2021-08-02T08:21:44Z) - Supervised Feature Selection Techniques in Network Intrusion Detection:
a Critical Review [9.177695323629896]
機械学習技術は、ネットワーク侵入検出の貴重なサポートになりつつある。
データトラフィックを特徴付ける膨大な多様性と多数の機能に対処することは難しい問題です。
機能領域を縮小し、最も重要な機能のみを保持することで、FS(Feature Selection)はネットワーク管理において重要な前処理ステップとなる。
論文 参考訳（メタデータ） (2021-04-11T08:42:01Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - RTFN: A Robust Temporal Feature Network for Time Series Classification [9.982074664830867]
時系列データは通常、ローカルパターンとグローバルパターンを含む。
特徴ネットワークによる表現を得ることはまだ困難である。
我々は、新しい時間的特徴ネットワーク(TFN)とLSTMベースの注目ネットワーク(LSTMaN)を提案する。
論文 参考訳（メタデータ） (2020-11-24T01:24:04Z) - F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。
ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。
F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
論文 参考訳（メタデータ） (2020-11-09T19:55:40Z)
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。