論文の概要: Generalised Interpretable Shapelets for Irregular Time Series

• arxiv url: http://arxiv.org/abs/2005.13948v2
• Date: Fri, 29 May 2020 11:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 04:33:50.684756
• Title: Generalised Interpretable Shapelets for Irregular Time Series
• Title（参考訳）: 不規則時系列に対する一般化解釈可能なシェープレット
• Authors: Patrick Kidger, James Morrill, Terry Lyons
• Abstract要約: シェープレット変換は時系列の特徴抽出の一形態である。 この手法を連続時間に拡張し、不規則にサンプリングされた時系列の一般的な場合を扱う。 時系列間の類似度の測定を学習擬似計量に一般化することを示した。
• 参考スコア（独自算出の注目度）: 14.330728728956238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The shapelet transform is a form of feature extraction for time series, in which a time series is described by its similarity to each of a collection of `shapelets'. However it has previously suffered from a number of limitations, such as being limited to regularly-spaced fully-observed time series, and having to choose between efficient training and interpretability. Here, we extend the method to continuous time, and in doing so handle the general case of irregularly-sampled partially-observed multivariate time series. Furthermore, we show that a simple regularisation penalty may be used to train efficiently without sacrificing interpretability. The continuous-time formulation additionally allows for learning the length of each shapelet (previously a discrete object) in a differentiable manner. Finally, we demonstrate that the measure of similarity between time series may be generalised to a learnt pseudometric. We validate our method by demonstrating its performance and interpretability on several datasets; for example we discover (purely from data) that the digits 5 and 6 may be distinguished by the chirality of their bottom loop, and that a kind of spectral gap exists in spoken audio classification.
• Abstract（参考訳）: シェープレット変換(shapelet transform)は、時系列の特徴抽出の一形態であり、時系列は「シェープレット」の集合のそれぞれと類似性によって記述される。 しかし、以前は、定期的な間隔で完全に観測された時系列に制限されることや、効率的なトレーニングと解釈可能性のどちらかを選択することなど、多くの制限に苦しめられていた。 ここで,本手法を連続時間に拡張し,不規則サンプリング部分観測時系列の一般的な場合を扱う。 さらに, 解釈性を犠牲にすることなく, 簡便な正規化ペナルティを効率的に訓練できることを示す。 連続時間定式化により、各形状(以前は離散物体)の長さを微分可能な方法で学習することができる。 最後に,時系列間の類似度尺度を学習擬メトリックに一般化できることを示す。 例えば、数字5,6がボトムループのキラリティーによって区別されうること、音声音声の分類にある種のスペクトルギャップが存在することを発見した。

関連論文リスト

• Peri-midFormer: Periodic Pyramid Transformer for Time Series Analysis [18.576473875972717]
  時系列分析は、天気予報、異常検出、行動認識などの分野に広く応用されている。 従来の手法では1次元時系列を用いて時間変動を直接モデル化する試みがあった。 提案するPeri-midFormerは,5つの主流時系列解析タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-07T09:24:26Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting [14.038703353884033]
  時間情報を符号化する連続線形関数を学習するCTLPEを提案する。 CTLPEは、様々な不規則にサンプリングされた時系列データセットで既存の技術より優れている。
  論文  参考訳（メタデータ） (2024-09-30T08:46:18Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• 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)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Encoding Time-Series Explanations through Self-Supervised Model Behavior Consistency [26.99599329431296]
  トレーニング説明書の時系列一貫性モデルであるTimeXを提案する。 TimeXは、事前訓練された時系列モデルの振る舞いを模倣するために解釈可能なサロゲートを訓練する。 我々は8つの合成および実世界のデータセット上でTimeXを評価し、その性能を最先端の解釈可能性手法と比較した。
  論文  参考訳（メタデータ） (2023-06-03T13:25:26Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Time Series Alignment with Global Invariances [14.632733235929926]
  本稿では,時間的アライメントとともに特徴空間の潜在的大域的変換を学習することにより,特徴空間と時間的変動の両方を考慮した新しい距離を提案する。 この新たな幾何学の下で,時系列バリセンタの計算アルゴリズムを2つ提案する。 シミュレーションデータと実世界のデータの両方に対するアプローチの関心を概説し、最先端の手法と比較して、我々のアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2020-02-10T15:11:50Z)

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。