論文の概要: Shape-CD: Change-Point Detection in Time-Series Data with Shapes and Neurons

• arxiv url: http://arxiv.org/abs/2007.11985v3
• Date: Sat, 1 Aug 2020 02:08:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 23:16:10.869698
• Title: Shape-CD: Change-Point Detection in Time-Series Data with Shapes and Neurons
• Title（参考訳）: 形状CD:形状とニューロンを持つ時系列データにおける変化点検出
• Authors: Varsha Suresh, Wei Tsang Ooi
• Abstract要約: 形状-CDは単純で高速かつ高精度な変化点検出法である。 従来の手法に比べて精度が7～60%向上し,計算速度も向上した。
• 参考スコア（独自算出の注目度）: 6.984306562354464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change-point detection in a time series aims to discover the time points at which some unknown underlying physical process that generates the time-series data has changed. We found that existing approaches become less accurate when the underlying process is complex and generates large varieties of patterns in the time series. To address this shortcoming, we propose Shape-CD, a simple, fast, and accurate change point detection method. Shape-CD uses shape-based features to model the patterns and a conditional neural field to model the temporal correlations among the time regions. We evaluated the performance of Shape-CD using four highly dynamic time-series datasets, including the ExtraSensory dataset with up to 2000 classes. Shape-CD demonstrated improved accuracy (7-60% higher in AUC) and faster computational speed compared to existing approaches. Furthermore, the Shape-CD model consists of only hundreds of parameters and require less data to train than other deep supervised learning models.
• Abstract（参考訳）: 時系列における変更点検出は、時系列データを生成する未知の物理プロセスが変化した時点を検出することを目的としている。 既存の手法は、基礎となるプロセスが複雑になれば精度が低下し、時系列で大量のパターンが生成される。 この欠点に対処するため,簡単な高速かつ高精度な変化点検出法であるShape-CDを提案する。 shape-cdは形状に基づく特徴を用いてパターンをモデル化し、条件付きニューラルネットワークを用いて時間領域間の時間相関をモデル化する。 最大2000クラスを含む4つの高ダイナミック時系列データセットを用いて,shape-cdの性能評価を行った。 形状-CDは従来の手法に比べて精度(AUCでは7-60%高い)と計算速度が向上した。 さらに、Shape-CDモデルは数百のパラメータで構成されており、他の深層学習モデルよりも訓練に必要なデータが少ない。

関連論文リスト

• Temporal Streaming Batch Principal Component Analysis for Time Series Classification [4.622165486890317]
  時系列データに対する主成分分析(PCA)に基づく時間的ストリーミング圧縮と次元削減アルゴリズムを提案する。 提案手法は,シーケンス長の増加に伴って効率が向上する傾向を示す。
  論文  参考訳（メタデータ） (2024-10-28T08:11:17Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• DeformTime: Capturing Variable Dependencies with Deformable Attention for Time Series Forecasting [0.34530027457862006]
  入力空間から相関時間パターンを捕捉しようとするニューラルネットワークアーキテクチャであるDeformTimeを提案する。 これまでに確立されたベンチマークを用いて,6つのMTSデータセットに関する広範な実験を行った。 その結果,DeformTimeはMSS予測タスクの大部分にわたる従来の競合手法と比較して精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-06-11T16:45:48Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• 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)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
  PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。 提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。 我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
  論文  参考訳（メタデータ） (2021-04-30T13:00:44Z)
• Deep Time Series Models for Scarce Data [8.673181404172963]
  時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。 データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
  論文  参考訳（メタデータ） (2021-03-16T22:16:54Z)

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。