論文の概要: Compact representation of temporal processes in echosounder time series via matrix decomposition

• arxiv url: http://arxiv.org/abs/2007.02906v2
• Date: Mon, 30 Nov 2020 17:00:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 03:22:35.900372
• Title: Compact representation of temporal processes in echosounder time series via matrix decomposition
• Title（参考訳）: マトリックス分解によるエコーフォア時系列の時間過程のコンパクト表現
• Authors: Wu-Jung Lee, Valentina Staneva
• Abstract要約: 本研究では,データに内在する特徴を用いて,時系列のコンパクトな表現を構築する手法を開発した。 この研究は、海洋における大規模で音響に基づく生物学的観測のための堅牢な時系列解析を構築する基盤となる。
• 参考スコア（独自算出の注目度）: 0.7614628596146599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent explosion in the availability of echosounder data from diverse ocean platforms has created unprecedented opportunities to observe the marine ecosystems at broad scales. However, the critical lack of methods capable of automatically discovering and summarizing prominent spatio-temporal echogram structures has limited the effective and wider use of these rich datasets. To address this challenge, we develop a data-driven methodology based on matrix decomposition that builds compact representation of long-term echosounder time series using intrinsic features in the data. In a two-stage approach, we first remove noisy outliers from the data by Principal Component Pursuit, then employ a temporally smooth Nonnegative Matrix Factorization to automatically discover a small number of distinct daily echogram patterns, whose time-varying linear combination (activation) reconstructs the dominant echogram structures. This low-rank representation provides biological information that is more tractable and interpretable than the original data, and is suitable for visualization and systematic analysis with other ocean variables. Unlike existing methods that rely on fixed, handcrafted rules, our unsupervised machine learning approach is well-suited for extracting information from data collected from unfamiliar or rapidly changing ecosystems. This work forms the basis for constructing robust time series analytics for large-scale, acoustics-based biological observation in the ocean.
• Abstract（参考訳）: 近年、海面プラットフォームからのエコー音データの利用が爆発的に増加し、海洋生態系を広範囲に観測する前例のない機会が生まれている。 しかし、顕著な時空間エコーグラム構造を自動的に発見し要約できる手法の欠如は、これらのリッチデータセットの有効かつ広範な使用を制限している。 この課題に対処するため,我々は,データに内在する特徴を用いて,長期的なエコーフォア時系列のコンパクト表現を構築する行列分解に基づくデータ駆動手法を開発した。 2段階のアプローチでは、まず主成分探索によってデータからノイズの多い外れ値を取り除き、その後、時間的に滑らかな非負の行列因子分解を用いて、時間変化線形結合(アクティベーション)によって支配的なエコーグラム構造が再構成される少数の異なる日次エコーグラムパターンを自動的に発見する。 この低ランク表現は、元のデータよりも扱いやすく解釈可能な生物学的情報を提供し、他の海洋変数との可視化と系統解析に適している。 固定された手作りのルールに依存する既存の方法とは異なり、教師なしの機械学習アプローチは、馴染みのない、あるいは急速に変化するエコシステムから収集されたデータから情報を抽出するのに適しています。 この研究は、海洋における大規模で音響に基づく生物学的観測のための堅牢な時系列解析を構築する基盤となる。

関連論文リスト

• 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)
• Topology combined machine learning for consonant recognition [8.188982461393278]
  TopCapは、低次元の内在性を持つデータセットでまれに検出される特徴をキャプチャできる。 発声子音と無声子音の分類において、TopCapは96%を超える精度を達成している。 TopCapは、音声と音声の深層学習のためのトポロジ的畳み込み層の設計を目的としている。
  論文  参考訳（メタデータ） (2023-11-26T06:53:56Z)
• Criticality Analysis: Bio-inspired Nonlinear Data Representation [0.0]
  臨界分析(英語:Criticality Analysis、CA)は、制御された自己組織的臨界システム内の情報表現のバイオインスパイアされた方法である。 入力は、全体データの特徴を保持する射影出力に次元的に還元できるが、より単純な動的応答を持つ。 CA法は、生体システムへの任意の入力の生物学的に関連性のあるエンコーディング機構を可能にし、生物の様々な複雑さにおける情報処理に適したモデルを作成する。
  論文  参考訳（メタデータ） (2023-05-11T19:02:09Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Robust Audio Anomaly Detection [10.75127981612396]
  提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。 時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。 ネットワークの出力は、外向きの頑健な確率密度関数である。
  論文  参考訳（メタデータ） (2022-02-03T17:19:42Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Chaos as an interpretable benchmark for forecasting and data-driven modelling [7.6146285961466]
  カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。 本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
  論文  参考訳（メタデータ） (2021-10-11T13:39:41Z)
• Pattern Discovery in Time Series with Byte Pair Encoding [12.338599136651261]
  そこで本研究では,時系列の共通パターンに基づいて時系列の表現を学習するための教師なし手法を提案する。 このようにして、この方法は、データに存在する長期的および短期的な依存関係の両方をキャプチャすることができる。
  論文  参考訳（メタデータ） (2021-05-30T00:47:19Z)
• 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)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。