論文の概要: Neural Time Warping For Multiple Sequence Alignment

• arxiv url: http://arxiv.org/abs/2006.15753v1
• Date: Mon, 29 Jun 2020 00:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:39:05.574113
• Title: Neural Time Warping For Multiple Sequence Alignment
• Title（参考訳）: 多重配列アライメントのためのニューラルタイムワーピング
• Authors: Keisuke Kawano, Takuro Kutsuna, Satoshi Koide
• Abstract要約: マルチシーケンスアライメント(MSA)は、時系列分析における従来の課題である。 我々は、元のMSAを連続的な最適化に緩和し、ニューラルネットワークを用いてアライメントを得るニューラル・タイム・ワープ(NTW)を提案する。
• 参考スコア（独自算出の注目度）: 13.922507071009958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple sequences alignment (MSA) is a traditional and challenging task for time-series analyses. The MSA problem is formulated as a discrete optimization problem and is typically solved by dynamic programming. However, the computational complexity increases exponentially with respect to the number of input sequences. In this paper, we propose neural time warping (NTW) that relaxes the original MSA to a continuous optimization and obtains the alignments using a neural network. The solution obtained by NTW is guaranteed to be a feasible solution for the original discrete optimization problem under mild conditions. Our experimental results show that NTW successfully aligns a hundred time-series and significantly outperforms existing methods for solving the MSA problem. In addition, we show a method for obtaining average time-series data as one of applications of NTW. Compared to the existing barycenters, the mean time series data retains the features of the input time-series data.
• Abstract（参考訳）: マルチシーケンスアライメント(MSA)は、時系列分析における従来の課題である。 MSA問題は離散最適化問題として定式化され、一般に動的プログラミングによって解決される。 しかし、計算複雑性は入力シーケンスの数に関して指数関数的に増加する。 本稿では,元のmsaを連続的最適化に緩和し,ニューラルネットワークを用いてアライメントを得るニューラルタイムウォーピング(ntw)を提案する。 NTWにより得られた解は、軽度条件下での元の離散最適化問題に対して実現可能な解であることが保証される。 実験の結果,NTWは100の時系列の整列に成功し,MSA問題の解法に優れていた。 また,ntwの応用の一つとして,平均時系列データを得る手法を提案する。 既存のバリーセンタと比較して、平均時系列データは入力時系列データの特徴を保持する。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
  我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。 遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
  論文  参考訳（メタデータ） (2024-03-25T22:49:56Z)
• 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)
• Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment [10.89671409446191]
  我々は、ソースとターゲット時系列の対応を見つけることを目的としたMatch-And-Deform(MAD)アプローチを導入する。 ディープニューラルネットワークに組み込むと、MADは両方のドメインを整列する時系列の新しい表現を学ぶのに役立つ。 ベンチマークデータセットとリモートセンシングデータに関する実証研究は、MADが有意義なサンプルとサンプルのペアリングと時間シフト推定を行うことを示した。
  論文  参考訳（メタデータ） (2023-08-24T09:57:11Z)
• Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series [26.77596449192451]
  不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。 標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。 時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-06T21:10:30Z)
• STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
  GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。 我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T06:06:56Z)
• NRTSI: Non-Recurrent Time Series Imputation for Irregularly-sampled Data [14.343059464246425]
  時系列計算は、欠落したデータで時系列を理解するための基本的なタスクである。 再帰モジュールを持たない新しい計算モデル NRTSI を提案する。 NRTSIは不規則にサンプリングされたデータを容易に処理でき、多重モードの計算を行い、次元が部分的に観察されるシナリオを処理できる。
  論文  参考訳（メタデータ） (2021-02-05T18:41:25Z)
• Automatic Registration and Clustering of Time Series [7.822816087275812]
  本稿では,クラスタリング問題における時系列自動アライメント手法を提案する。 我々の手法であるTROUT(Optimal Unitary Transformations)を用いた時間的登録は,時系列間の新たな相同性尺度に基づいている。 最適化の定式化に新しい尺度を組み込むことで、計算と統計のパフォーマンスの既知の利点を保ちます。
  論文  参考訳（メタデータ） (2020-12-08T21:51:21Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Improving a State-of-the-Art Heuristic for the Minimum Latency Problem with Data Mining [69.00394670035747]
  ハイブリッドメタヒューリスティックスは、オペレーション研究のトレンドとなっている。 成功例は、Greedy Randomized Adaptive Search Procedures (GRASP)とデータマイニング技術を組み合わせたものだ。
  論文  参考訳（メタデータ） (2019-08-28T13:12:30Z)

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。