論文の概要: ESPRESSO: Entropy and ShaPe awaRe timE-Series SegmentatiOn for
processing heterogeneous sensor data
- arxiv url: http://arxiv.org/abs/2008.03230v1
- Date: Fri, 24 Jul 2020 10:41:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 06:06:18.980045
- Title: ESPRESSO: Entropy and ShaPe awaRe timE-Series SegmentatiOn for
processing heterogeneous sensor data
- Title(参考訳): espresso:異種センサデータを処理するためのエントロピーと形状を考慮した時系列セグメンテーション
- Authors: Shohreh Deldari, Daniel V. Smith, Amin Sadri, Flora D. Salim
- Abstract要約: 多次元時系列のハイブリッドセグメンテーションモデルであるESPRESSOを提案する。
ESPRESSOは時系列のエントロピーと時間的形状特性を利用する。
ウェアラブルとウェアラブルフリーの7つのパブリックデータセットにまたがる、最先端の4つのメソッドよりも優れたパフォーマンスを提供する。
- 参考スコア(独自算出の注目度): 5.142415132534397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting informative and meaningful temporal segments from high-dimensional
wearable sensor data, smart devices, or IoT data is a vital preprocessing step
in applications such as Human Activity Recognition (HAR), trajectory
prediction, gesture recognition, and lifelogging. In this paper, we propose
ESPRESSO (Entropy and ShaPe awaRe timE-Series SegmentatiOn), a hybrid
segmentation model for multi-dimensional time-series that is formulated to
exploit the entropy and temporal shape properties of time-series. ESPRESSO
differs from existing methods that focus upon particular statistical or
temporal properties of time-series exclusively. As part of model development, a
novel temporal representation of time-series $WCAC$ was introduced along with a
greedy search approach that estimate segments based upon the entropy metric.
ESPRESSO was shown to offer superior performance to four state-of-the-art
methods across seven public datasets of wearable and wear-free sensing. In
addition, we undertake a deeper investigation of these datasets to understand
how ESPRESSO and its constituent methods perform with respect to different
dataset characteristics. Finally, we provide two interesting case-studies to
show how applying ESPRESSO can assist in inferring daily activity routines and
the emotional state of humans.
- Abstract(参考訳): 高次元ウェアラブルセンサデータ、スマートデバイス、IoTデータから有意義な時間セグメントを抽出することは、ヒューマンアクティビティ認識(HAR)、軌道予測、ジェスチャー認識、ライフログといったアプリケーションにおいて、重要な前処理ステップである。
本稿では,時系列のエントロピーと時間的形状特性を利用した多次元時系列のハイブリッドセグメンテーションモデルであるespresso(entropy and shape aware time-series segmentation)を提案する。
ESPRESSOは、時系列の特定の統計的または時間的特性にのみ焦点をあてる既存の方法とは異なる。
モデル開発の一環として, 時系列の時間的表現である$WCAC$が, エントロピー計量に基づいてセグメントを推定する欲求探索手法とともに導入された。
ESPRESSOは、ウェアラブルとウェアラブルなしセンシングの7つのパブリックデータセットに対して、最先端の4つのメソッドよりも優れたパフォーマンスを提供することを示した。
さらに,これらのデータセットについて,ESPRESSOとその構成法が異なるデータセット特性に対してどのように機能するかを理解するために,より深く調査する。
最後に,ESPRESSOの適用が日常の行動ルーチンや人間の感情状態の推測にどのように役立つかを示す2つの興味深いケーススタディを提供する。
関連論文リスト
- T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳(メタデータ) (2023-02-24T13:30:35Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳(メタデータ) (2023-01-19T12:33:50Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳(メタデータ) (2022-01-26T17:54:14Z) - 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) - 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 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) - Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。
そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
論文 参考訳(メタデータ) (2020-10-26T22:07:53Z) - 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) - Human Activity Recognition from Wearable Sensor Data Using
Self-Attention [2.9023633922848586]
本稿では,身体のセンサデータから行動認識のための自己認識型ニューラルネットワークモデルを提案する。
一般に公開されている4つのHARデータセット、PAMAP2、Opportunity、Skoda、USC-HADについて実験を行った。
ベンチマークテスト対象とLeave-out-subject評価の両方において,最近の最先端モデルよりも高い性能向上を実現している。
論文 参考訳(メタデータ) (2020-03-17T14:16:57Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。