論文の概要: Aligning Time Series on Incomparable Spaces
- arxiv url: http://arxiv.org/abs/2006.12648v2
- Date: Mon, 22 Feb 2021 19:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 05:22:38.108887
- Title: Aligning Time Series on Incomparable Spaces
- Title（参考訳）: 不整合空間における時系列の調整
- Authors: Samuel Cohen, Giulia Luise, Alexander Terenin, Brandon Amos, Marc
Peter Deisenroth
- Abstract要約: 本稿では,Gromov dynamic time warping (GDTW)を提案する。
比較不可能な空間に居住する時系列の調整,合成,比較を行う上での有効性を実証する。
- 参考スコア（独自算出の注目度）: 83.8261699057419
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic time warping (DTW) is a useful method for aligning, comparing and
combining time series, but it requires them to live in comparable spaces. In
this work, we consider a setting in which time series live on different spaces
without a sensible ground metric, causing DTW to become ill-defined. To
alleviate this, we propose Gromov dynamic time warping (GDTW), a distance
between time series on potentially incomparable spaces that avoids the
comparability requirement by instead considering intra-relational geometry. We
demonstrate its effectiveness at aligning, combining and comparing time series
living on incomparable spaces. We further propose a smoothed version of GDTW as
a differentiable loss and assess its properties in a variety of settings,
including barycentric averaging, generative modeling and imitation learning.
- Abstract（参考訳）: 動的時間ワープ(DTW)は時系列の調整、比較、組み合わせに有用な手法であるが、それには匹敵する空間に生きる必要がある。
本研究では,実測値のない異なる空間に時系列が居住する環境について考察し,DTWが不確定となる要因について考察する。
そこで本研究では,両立可能空間上の時系列間の距離であるgromov dynamic time warping (gdtw)を提案する。
比較不能な空間に居住する時系列の調整,結合,比較において,その効果を示す。
さらに, gdtw の平滑化を可微分損失として提案し, その特性を, バーリセントリック平均化, 生成モデリング, 模倣学習など, 様々な設定で評価する。
関連論文リスト
- 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) - A Decoupled Spatio-Temporal Framework for Skeleton-based Action
Segmentation [89.86345494602642]
既存の手法は、弱い時間的モデリング能力に制限されている。
この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。
DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-12-10T09:11:39Z) - DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend [4.6380010540165655]
そこで,同時期に発生し,容易に解釈可能な類似の傾向を求める尺度を開発した。
本稿では,時系列の解釈可能な「閉鎖性保存」行列表現を生成する新しい尺度DTW+Sを提案する。
DTW+Sは,ベースラインと比較して優れたクラスタリングを実現できる唯一の尺度であることを示す。
論文 参考訳（メタデータ） (2023-09-07T09:18:12Z) - OTW: Optimal Transport Warping for Time Series [75.69837166816501]
動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。
最適アライメント行列を正確に計算する必要がある場合、それは避けられない二次時間複雑性に悩まされる。
我々は、OTW(Optimal Transport Warping)と呼ばれる、最適輸送フレームワークに基づく時系列データのための新しいメトリクスを導入する。
論文 参考訳（メタデータ） (2023-06-01T12:45:00Z) - Deep Declarative Dynamic Time Warping for End-to-End Learning of
Alignment Paths [54.53208538517505]
本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。
そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。
この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
論文 参考訳（メタデータ） (2023-03-19T21:58:37Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Differentiable Divergences Between Time Series [34.60983018798683]
可変サイズの時系列間の相違を解消するために,ソフトDTW発散と呼ばれる新しい発散法を提案する。
2つの時系列が等しい場合に限って、非負で最小化されることが示される。
また、エントロピーバイアスをさらに除去することで、新たな「シャープ」変種を提案する。
論文 参考訳（メタデータ） (2020-10-16T12:45:13Z) - 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。