論文の概要: A Generalised Signature Method for Multivariate Time Series Feature Extraction

• arxiv url: http://arxiv.org/abs/2006.00873v2
• Date: Sat, 6 Feb 2021 16:50:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:13:58.751030
• Title: A Generalised Signature Method for Multivariate Time Series Feature Extraction
• Title（参考訳）: 多変量時系列特徴抽出のための一般化シグネチャ法
• Authors: James Morrill, Adeline Fermanian, Patrick Kidger, Terry Lyons
• Abstract要約: 本稿では「署名方法」に2つの貢献をする。 シグネチャ法のバリエーションは、一般的なアプローチに統合される。 ドメインに依存しない出発点を提供する選択肢の標準的コレクションを導出します。 実用的応用を容易にするため、当社の技術はオープンソースプロジェクトの一部として利用可能にしています。
• 参考スコア（独自算出の注目度）: 12.750895514499788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The 'signature method' refers to a collection of feature extraction techniques for multivariate time series, derived from the theory of controlled differential equations. There is a great deal of flexibility as to how this method can be applied. On the one hand, this flexibility allows the method to be tailored to specific problems, but on the other hand, can make precise application challenging. This paper makes two contributions. First, the variations on the signature method are unified into a general approach, the \emph{generalised signature method}, of which previous variations are special cases. A primary aim of this unifying framework is to make the signature method more accessible to any machine learning practitioner, whereas it is now mostly used by specialists. Second, and within this framework, we derive a canonical collection of choices that provide a domain-agnostic starting point. We derive these choices as a result of an extensive empirical study on 26 datasets and go on to show competitive performance against current benchmarks for multivariate time series classification. Finally, to ease practical application, we make our techniques available as part of the open-source [redacted] project.
• Abstract（参考訳）: 符号法」とは、制御微分方程式の理論から導かれた多変量時系列の特徴抽出手法の集合を指す。 この方法を適用するには、多くの柔軟性があります。 一方、この柔軟性により、メソッドは特定の問題に合わせて調整できるが、一方では、正確なアプリケーションを困難にすることができる。 この論文には2つの貢献がある。 まず、シグネチャ法のバリエーションを一般的なアプローチである \emph{generalized signature method} に統一する。 この統合フレームワークの主な目的は、シグネチャメソッドを任意の機械学習実践者にとってよりアクセスしやすくすることである。 第二に、このフレームワークの中で、ドメインに依存しない出発点を提供する選択の標準的なコレクションを導出します。 26のデータセットに関する広範な実証研究の結果、これらの選択を導出し、多変量時系列分類の現在のベンチマークに対する競争力を示す。 最後に、実用的なアプリケーションを簡単にするために、我々の技術はオープンソースプロジェクトの一部として利用できます。

関連論文リスト

• On the Regularization of Learnable Embeddings for Time Series Processing [18.069747511100132]
  時系列処理のための局所学習可能な埋め込みの学習を規則化する手法について検討する。 この文脈では,局所的パラメータと大域的パラメータの共適応を防ぐ手法が特に有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-18T17:30:20Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
  ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。 本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。 テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2023-07-25T13:35:45Z)
• Deep Laplacian-based Options for Temporally-Extended Exploration [16.706495139945638]
  ラプラシア語に基づく選択肢を発見するための完全オンラインディープRLアルゴリズムを提案する。 ラプラシアンの固有関数を直接近似する最近の結果は、オプションベースの探索を真にスケールアップするためにどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-01-26T15:45:39Z)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• Fast Multi-label Learning [19.104773591885884]
  本研究の目的は、複雑なトレーニングプロセスなしで競争性能を達成できる、証明可能な保証付き簡易な方法を提供することである。
  論文  参考訳（メタデータ） (2021-08-31T01:07:42Z)
• Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
  このようなリスク不変予測器の学習に重要な課題はショートカット学習である。 この課題に対処するために、フレキシブルで因果的なアプローチを提案する。 この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
  論文  参考訳（メタデータ） (2021-05-13T16:58:45Z)
• Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
  多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。 少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。 幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:14:33Z)
• Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
  我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。 従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。 推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-10-28T18:10:20Z)
• Scalable Normalizing Flows for Permutation Invariant Densities [0.0]
  有望なアプローチは、連続正規化フローを持つ置換不変密度の族を定義する。 この手法の重要なステップであるトレースの計算が、トレーニングと推論の両方で発生する問題を提起する方法を実証する。 我々は、閉じた形跡を与える置換同変変換を定義する別の方法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T07:51:30Z)
• A Flexible Selection Scheme for Minimum-Effort Transfer Learning [27.920304852537534]
  ファインチューニングは、トレーニング済みの畳み込みネットワークに含まれる知識を活用して、新しい視覚認識タスクを実現する方法として人気がある。 フレキシブルチューニング(flex-tuning)と呼ばれる,ネットワークの個々のユニットをチューニング可能な,新たなファインチューニング方式を導入する。 微調整された個々のユニットは、その単純さにもかかわらず、適応手法として非常に良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-27T08:57:30Z)

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。