論文の概要: A Visual Analytics Framework for Reviewing Multivariate Time-Series Data
with Dimensionality Reduction
- arxiv url: http://arxiv.org/abs/2008.01645v3
- Date: Wed, 27 Oct 2021 15:58:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 19:38:34.572921
- Title: A Visual Analytics Framework for Reviewing Multivariate Time-Series Data
with Dimensionality Reduction
- Title(参考訳): 次元減少を伴う多変量時系列データレビューのためのビジュアル分析フレームワーク
- Authors: Takanori Fujiwara, Shilpika, Naohisa Sakamoto, Jorji Nonaka, Keiji
Yamamoto, and Kwan-Liu Ma
- Abstract要約: 次元還元法(DR)は、データ固有の構造と特徴を明らかにするためにしばしば用いられる。
本稿では,時間依存型多変量データ全体の処理を可能にする新しいDRフレームワークであるMulTiDRを提案する。
対照的な学習手法とインタラクティブな可視化を組み合わせることで、我々のフレームワークはDR結果の解釈能力を向上させる。
- 参考スコア(独自算出の注目度): 19.460188497780155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven problem solving in many real-world applications involves analysis
of time-dependent multivariate data, for which dimensionality reduction (DR)
methods are often used to uncover the intrinsic structure and features of the
data. However, DR is usually applied to a subset of data that is either
single-time-point multivariate or univariate time-series, resulting in the need
to manually examine and correlate the DR results out of different data subsets.
When the number of dimensions is large either in terms of the number of time
points or attributes, this manual task becomes too tedious and infeasible. In
this paper, we present MulTiDR, a new DR framework that enables processing of
time-dependent multivariate data as a whole to provide a comprehensive overview
of the data. With the framework, we employ DR in two steps. When treating the
instances, time points, and attributes of the data as a 3D array, the first DR
step reduces the three axes of the array to two, and the second DR step
visualizes the data in a lower-dimensional space. In addition, by coupling with
a contrastive learning method and interactive visualizations, our framework
enhances analysts' ability to interpret DR results. We demonstrate the
effectiveness of our framework with four case studies using real-world
datasets.
- Abstract(参考訳): 実世界の多くのアプリケーションにおけるデータ駆動問題解決には、時間依存多変量データの解析が含まれる。
しかしながら、DRは通常、単一時間ポイントの多変量または単変量時系列であるデータのサブセットに適用されるため、異なるデータサブセットからDR結果を手動で調べ、相関付けする必要がある。
時間や属性のどちらでも次元の数が大きくなると、この手動作業はあまりに退屈で実現不可能になります。
本稿では,時間依存多変量データの処理を可能にする新しいdrフレームワークであるmultidrを提案する。
このフレームワークでは、DRを2つのステップで採用しています。
データのインスタンス、タイムポイント、属性を3dアレイとして扱う場合、第1のdrステップは、配列の3つの軸を2に減らし、第2のdrステップは、データを低次元空間で視覚化する。
さらに,対照的な学習手法とインタラクティブな可視化を組み合わせることで,DR結果の解釈能力を向上させる。
本フレームワークの有効性を実世界データセットを用いた4つのケーススタディで実証する。
関連論文リスト
- ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳(メタデータ) (2024-05-27T02:42:33Z) - 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) - Simultaneous Dimensionality Reduction: A Data Efficient Approach for
Multimodal Representations Learning [0.0]
次元性還元(DR):独立次元性還元(IDR)と同時次元性還元(SDR)の2つの主要クラスを探索する。
IDRでは、各モダリティは独立に圧縮され、可能な限り各モダリティに多くのばらつきを保持するよう努力する。
SDRでは、モダリティを同時に圧縮して、削減された記述間の共変を最大化し、個々の変動がどれだけ保存されているかに注意を払わない。
論文 参考訳(メタデータ) (2023-10-05T04:26:24Z) - MMRDN: Consistent Representation for Multi-View Manipulation
Relationship Detection in Object-Stacked Scenes [62.20046129613934]
我々は,MMRDN(Multi-view MRD Network)と呼ばれる新しい多視点融合フレームワークを提案する。
異なるビューからの2Dデータを共通の隠れ空間に投影し、埋め込みをVon-Mises-Fisher分布に適合させる。
これら2つのオブジェクトの相対位置を符号化した各オブジェクト対の点雲から、K$最大垂直近傍点(KMVN)の集合を選択する。
論文 参考訳(メタデータ) (2023-04-25T05:55:29Z) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳(メタデータ) (2022-10-05T12:19:51Z) - Feature Learning for Dimensionality Reduction toward Maximal Extraction
of Hidden Patterns [25.558967594684056]
高次元データの視覚解析において,DRは重要な役割を担っている。
本稿では,非線形DRに最適化されたデータ投影セットを生成するための特徴学習フレームワークFEALMを提案する。
得られたDR結果の比較と各DR結果の解釈を支援するインタラクティブな可視化手法を開発した。
論文 参考訳(メタデータ) (2022-06-28T11:18:19Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳(メタデータ) (2022-03-11T09:46:22Z) - 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) - 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) - Longitudinal Variational Autoencoder [1.4680035572775534]
不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。
標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。
本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。
我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
論文 参考訳(メタデータ) (2020-06-17T10:30:14Z) - Interpretable Deep Representation Learning from Temporal Multi-view Data [4.2179426073904995]
変動型オートエンコーダとリカレントニューラルネットワークに基づく生成モデルを提案し,多視点時間データに対する潜時ダイナミクスを推定する。
提案モデルを用いて,モデルの有効性と解釈可能性を示す3つのデータセットを解析する。
論文 参考訳(メタデータ) (2020-05-11T15:59:06Z)
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。