論文の概要: MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for
Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry
- arxiv url: http://arxiv.org/abs/2007.07518v1
- Date: Wed, 15 Jul 2020 07:33:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 04:53:11.624953
- Title: MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for
Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry
- Title（参考訳）: MTS-CycleGAN:多変量時系列ドメイン適応のための逆対応型深層マッピング学習ネットワーク
- Authors: Cedric Schockaert, Henri Hoyez
- Abstract要約: 本研究は、特定の資産に基づく歴史的データ(ソース・ドメイン)を1つの参照資産(ターゲット・ドメイン)に対応するデータに変換することに焦点を当てる。
本稿では,CycleGAN に基づく多変量時系列データのアルゴリズム MTS-CycleGAN を提案する。
我々の貢献は、Long Short-Term Memory(LSTM)ベースのジェネレータと積み重ねLSTMベースの識別器のためのAutoEncoder(AE)のCycleGANアーキテクチャの統合である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the current era, an increasing number of machine learning models is
generated for the automation of industrial processes. To that end, machine
learning models are trained using historical data of each single asset leading
to the development of asset-based models. To elevate machine learning models to
a higher level of learning capability, domain adaptation has opened the door
for extracting relevant patterns from several assets combined together. In this
research we are focusing on translating the specific asset-based historical
data (source domain) into data corresponding to one reference asset (target
domain), leading to the creation of a multi-assets global dataset required for
training domain invariant generic machine learning models. This research is
conducted to apply domain adaptation to the ironmaking industry, and
particularly for the creation of a domain invariant dataset by gathering data
from different blast furnaces. The blast furnace data is characterized by
multivariate time series. Domain adaptation for multivariate time series data
hasn't been covered extensively in the literature. We propose MTS-CycleGAN, an
algorithm for Multivariate Time Series data based on CycleGAN. To the best of
our knowledge, this is the first time CycleGAN is applied on multivariate time
series data. Our contribution is the integration in the CycleGAN architecture
of a Long Short-Term Memory (LSTM)-based AutoEncoder (AE) for the generator and
a stacked LSTM-based discriminator, together with dedicated extended features
extraction mechanisms. MTS-CycleGAN is validated using two artificial datasets
embedding the complex temporal relations between variables reflecting the blast
furnace process. MTS-CycleGAN is successfully learning the mapping between both
artificial multivariate time series datasets, allowing an efficient translation
from a source to a target artificial blast furnace dataset.
- Abstract（参考訳）: 現在の時代には、産業プロセスの自動化のために機械学習モデルが増えています。
そのため、機械学習モデルは、各資産の履歴データを用いてトレーニングされ、資産ベースのモデルの開発につながる。
機械学習モデルをより高いレベルの学習能力に高めるために、ドメイン適応は複数の資産から関連するパターンをまとめて抽出する扉を開いた。
本研究では、特定のアセットに基づく履歴データ(ソースドメイン)を1つの参照アセット(ターゲットドメイン)に対応するデータに変換することに焦点を当て、ドメイン不変汎用機械学習モデルのトレーニングに必要なマルチアセットのグローバルデータセットを作成する。
本研究は, 製鉄産業へのドメイン適応, 特に異なる高炉からのデータ収集によるドメイン不変データセットの作成に適用するために行われた。
ブラスト炉データは多変量時系列により特徴付けられる。
多変量時系列データのドメイン適応は文献で広く取り上げられていない。
本稿では,CycleGAN に基づく多変量時系列データのアルゴリズム MTS-CycleGAN を提案する。
私たちの知る限りでは、多変量時系列データにcycleganを適用するのはこれが初めてです。
我々の貢献は、Long Short-Term Memory (LSTM)-based AutoEncoder (AE) for the generator and a stacked LSTM-based discriminatorのCycleGANアーキテクチャと、専用の拡張機能抽出機構の統合である。
MTS-CycleGANは, 爆発炉過程を反映する変数間の複雑な時間的関係を埋め込んだ2つの人工データセットを用いて検証した。
mts-cycleganは、人工多変量時系列データセットのマッピングをうまく学習し、ソースからターゲットの人工高炉データセットへの効率的な変換を可能にしている。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - MDM: Advancing Multi-Domain Distribution Matching for Automatic Modulation Recognition Dataset Synthesis [35.07663680944459]
ディープラーニング技術は、AMR(Automatic Modulation Recognition)タスクにうまく導入されている。
ディープラーニングの成功はすべて、大規模なデータセットのトレーニングによるものだ。
大量のデータの問題を解決するため、一部の研究者はデータ蒸留法を提唱した。
論文 参考訳（メタデータ） (2024-08-05T14:16:54Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - 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) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-09-30T20:01:19Z) - Merlion: A Machine Learning Library for Time Series [73.46386700728577]
Merlionは時系列のためのオープンソースの機械学習ライブラリである。
モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。
Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
論文 参考訳（メタデータ） (2021-09-20T02:03:43Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。
提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-05T20:50:18Z) - 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) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳（メタデータ） (2020-01-02T18:48:29Z)
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。