論文の概要: A Formally Robust Time Series Distance Metric

• arxiv url: http://arxiv.org/abs/2008.07865v1
• Date: Tue, 18 Aug 2020 11:28:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 20:56:42.150087
• Title: A Formally Robust Time Series Distance Metric
• Title（参考訳）: 形式的にロバストな時系列距離測定
• Authors: Maximilian Toller, Bernhard C. Geiger, Roman Kern
• Abstract要約: 本稿では、任意に「悪」な汚染に対して頑健な新しい距離測定法を提案する。 実験により,k-Nearest Neighbor 時系列分類に適用した場合,測定値が競合分類精度を示すことを示す。
• 参考スコア（独自算出の注目度）: 6.929025509877642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distance-based classification is among the most competitive classification methods for time series data. The most critical component of distance-based classification is the selected distance function. Past research has proposed various different distance metrics or measures dedicated to particular aspects of real-world time series data, yet there is an important aspect that has not been considered so far: Robustness against arbitrary data contamination. In this work, we propose a novel distance metric that is robust against arbitrarily "bad" contamination and has a worst-case computational complexity of $\mathcal{O}(n\log n)$. We formally argue why our proposed metric is robust, and demonstrate in an empirical evaluation that the metric yields competitive classification accuracy when applied in k-Nearest Neighbor time series classification.
• Abstract（参考訳）: 距離に基づく分類は時系列データにおいて最も競争力のある分類手法である。 距離に基づく分類の最も重要な要素は、選択された距離関数である。 過去の研究では、実世界の時系列データの特定の側面に特化した様々な異なる距離の計測や測定方法が提案されているが、これまで検討されていない重要な側面がある。 本研究では、任意の「悪い」汚染に対して頑健で、最悪の計算複雑性が$\mathcal{O}(n\log n)$である新しい距離計量を提案する。 我々は,提案手法がロバストである理由を形式的に議論し,k-ネアレスト近傍の時系列分類に適用すると,その基準が競合的分類精度をもたらすことを実証的に評価した。

関連論文リスト

• Mixed-type Distance Shrinkage and Selection for Clustering via Kernel Metric Learning [0.0]
  我々は、混合カーネルを用いて異種性を測定するKDSUMと呼ばれる計量を提案する。 我々は、KDSUMが既存の混合型メトリクスから均一な異性度メトリクスへの縮小法であることを実証した。
  論文  参考訳（メタデータ） (2023-06-02T19:51:48Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time Series [18.205595410817327]
  本稿では,シリーズにおけるパターン表現比較(Pattern Representation Comparison in Series)の略であるPRCISを紹介する。 PRCISは長い時系列の距離測定であり、辞書で時系列を要約する能力の最近の進歩を生かしている。
  論文  参考訳（メタデータ） (2022-12-09T23:02:23Z)
• Evaluation of the impact of the indiscernibility relation on the fuzzy-rough nearest neighbours algorithm [1.4213973379473654]
  Fuzzy-rough Near neighbors (FRNN) は古典的k-nearest neighborsアルゴリズムに基づく分類アルゴリズムである。 本稿では,FRNN分類の性能に及ぼす不明瞭性関係の影響について検討する。
  論文  参考訳（メタデータ） (2022-11-25T14:17:56Z)
• Local Evaluation of Time Series Anomaly Detection Algorithms [9.717823994163277]
  本稿では,弱い仮定下でのほとんどすべてのデータセットに対して,逆アルゴリズムが高精度に到達し,リコール可能であることを示す。 本稿では,精度/リコール指標に対する理論的基盤,頑健,パラメータフリー,解釈可能な拡張を提案する。
  論文  参考訳（メタデータ） (2022-06-27T10:18:41Z)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• Ranking the information content of distance measures [61.754016309475745]
  2つの異なる距離測度を用いて保持する相対的情報を評価する統計的テストを導入する。 これにより、候補者のプールから最も情報に富んだ距離を測定することができる。
  論文  参考訳（メタデータ） (2021-04-30T15:57:57Z)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)
• Provably Robust Metric Learning [98.50580215125142]
  既存のメトリクス学習アルゴリズムは、ユークリッド距離よりもロバストなメトリクスをもたらすことを示す。 対向摂動に対して頑健なマハラノビス距離を求めるための新しい距離学習アルゴリズムを提案する。 実験結果から,提案アルゴリズムは証明済みの堅牢な誤りと経験的堅牢な誤りの両方を改善した。
  論文  参考訳（メタデータ） (2020-06-12T09:17:08Z)
• A Practical Index Structure Supporting Fr\'echet Proximity Queries Among Trajectories [1.9335262420787858]
  我々は、計算コストの高いメトリクスの下で、レンジと近隣クエリに$k$のスケーラブルなアプローチを提案する。 計量指標のクラスタリングに基づいて,軌跡数に線形な木構造を求める。 本研究では,多種多様な合成および実世界のデータセットに関する広範な実験により,本手法の有効性と有効性について分析する。
  論文  参考訳（メタデータ） (2020-05-28T04:12:43Z)
• MALTS: Matching After Learning to Stretch [86.84454964051014]
  我々はマッチングのための解釈可能な距離メートル法を学習し、それによってかなり高い品質のマッチングが得られる。 フレキシブルな距離測定を学習する能力は、解釈可能で、条件付き平均治療効果の推定に有用である。
  論文  参考訳（メタデータ） (2018-11-18T22:29:59Z)

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。