論文の概要: Handling Variable-Dimensional Time Series with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2007.00411v5
- Date: Mon, 20 Jul 2020 06:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 22:45:16.295581
- Title: Handling Variable-Dimensional Time Series with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによる可変次元時系列処理
- Authors: Vibhor Gupta, Jyoti Narwariya, Pankaj Malhotra, Lovekesh Vig, Gautam
Shroff
- Abstract要約: IoT(Internet of Things)テクノロジは、複数のセンサからデータをキャプチャして、複数のセンサ時系列を生成する。
このようなマルチセンサー時系列モデリングのための既存のニューラルネットワークに基づくアプローチは、一定の入力次元またはセンサー数を想定している。
我々は、時系列のソースごとに異なるセンサーのサブセットの可用性やインストールにより、時系列が入力次元の異なるマルチセンサ時系列からニューラルネットワークモデルをトレーニングすることを検討する。
- 参考スコア（独自算出の注目度）: 20.788813485815698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several applications of Internet of Things (IoT) technology involve capturing
data from multiple sensors resulting in multi-sensor time series. Existing
neural networks based approaches for such multi-sensor or multivariate time
series modeling assume fixed input dimension or number of sensors. Such
approaches can struggle in the practical setting where different instances of
the same device or equipment such as mobiles, wearables, engines, etc. come
with different combinations of installed sensors. We consider training neural
network models from such multi-sensor time series, where the time series have
varying input dimensionality owing to availability or installation of a
different subset of sensors at each source of time series. We propose a novel
neural network architecture suitable for zero-shot transfer learning allowing
robust inference for multivariate time series with previously unseen
combination of available dimensions or sensors at test time. Such a
combinatorial generalization is achieved by conditioning the layers of a core
neural network-based time series model with a "conditioning vector" that
carries information of the available combination of sensors for each time
series. This conditioning vector is obtained by summarizing the set of learned
"sensor embedding vectors" corresponding to the available sensors in a time
series via a graph neural network. We evaluate the proposed approach on
publicly available activity recognition and equipment prognostics datasets, and
show that the proposed approach allows for better generalization in comparison
to a deep gated recurrent neural network baseline.
- Abstract（参考訳）: IoT(Internet of Things)テクノロジのいくつかのアプリケーションは、複数のセンサからデータをキャプチャして、複数のセンサ時系列を生成する。
既存のニューラルネットワークに基づくマルチセンサや多変量時系列モデリングのアプローチは、一定の入力次元やセンサーの数を想定している。
このようなアプローチは、モバイル、ウェアラブル、エンジンなど、同じデバイスや機器の異なるインスタンスが、インストールされたセンサーの異なる組み合わせで提供されるような現実的な状況で苦労する可能性がある。
我々は、時系列のソースごとに異なるセンサーのサブセットの可用性やインストールにより、時系列が入力次元の異なるマルチセンサ時系列からニューラルネットワークモデルをトレーニングすることを検討する。
本研究では,テスト時に利用可能な次元やセンサの組み合わせが事前に見つからなかった多変量時系列に対して頑健な推論を可能にする,ゼロショット変換学習に適したニューラルネットワークアーキテクチャを提案する。
このような組合せ一般化は、コアニューラルネットワークベースの時系列モデルの層を、各時系列毎に利用可能なセンサーの組み合わせの情報を運ぶ「コンディショニングベクター」で条件付けすることで達成される。
この条件付ベクトルは、利用可能なセンサに対応する学習された「センサ埋め込みベクトル」のセットをグラフニューラルネットワークを介して時系列に要約して得られる。
提案手法は, 利用可能な活動認識と機器の予後データセットに対するアプローチを評価し, 提案手法により, ディープゲートリカレントニューラルネットワークベースラインと比較して, より一般化できることを示す。
関連論文リスト
- 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) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - Deep Learning Method for Cell-Wise Object Tracking, Velocity Estimation
and Projection of Sensor Data over Time [0.7340017786387767]
我々は、ConvNetがこのタスクのアーキテクチャ上の制約にどのように悩まされているかを示す。
最後のステップでは、抽出した速度推定に基づいて、リカレントニューラルネットワークのメモリ状態を投影する。
論文 参考訳（メタデータ） (2023-06-08T07:33:05Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:05:51Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Graph Attention Recurrent Neural Networks for Correlated Time Series
Forecasting -- Full version [16.22449727526222]
時間とともに複数のエンティティが相互に相互作用し、そのエンティティの時間変化状態が相関時間系列として表されるような設定を検討する。
相関時系列の正確な予測を可能にするために,グラフ注意再帰ニューラルネットワークを提案する。
大規模実世界の時系列データを用いた実験により,提案手法の有効性が示唆された。
論文 参考訳（メタデータ） (2021-03-19T12:15:37Z) - 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) - RE-MIMO: Recurrent and Permutation Equivariant Neural MIMO Detection [85.44877328116881]
無線通信システムにおけるシンボル検出のための新しいニューラルネットワークを提案する。
無線通信システムにおけるいくつかの重要な考察に動機付けられている。
その性能を既存手法と比較し,ネットワークが可変数の送信機を効率的に処理できることを示す。
論文 参考訳（メタデータ） (2020-06-30T22:43:01Z) - Deep ConvLSTM with self-attention for human activity decoding using
wearables [0.0]
本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。
提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。
提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
論文 参考訳（メタデータ） (2020-05-02T04:30:31Z) - Sensor selection on graphs via data-driven node sub-sampling in network
time series [0.0]
本稿では,時系列ネットワーク上でセンサの最適なサンプリングセットを選択するという問題に対処する。
我々は,一定数のセンサをオフにするか,あるいは等価にノードのサンプリングセットを選択するために,データ駆動の様々な戦略を提案し,比較する。
提案手法の性能を明らかにするため, 異なる都市における自転車共有ネットワークの実データ解析に関する数値実験を行った。
論文 参考訳（メタデータ） (2020-04-24T15:51:57Z)
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。