論文の概要: Gated Res2Net for Multivariate Time Series Analysis

• arxiv url: http://arxiv.org/abs/2009.11705v1
• Date: Sat, 19 Sep 2020 01:45:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 21:37:39.791873
• Title: Gated Res2Net for Multivariate Time Series Analysis
• Title（参考訳）: 多変量時系列解析のためのGated Res2Net
• Authors: Chao Yang, Mingxing Jiang, Zhongwen Guo and Yuan Liu
• Abstract要約: 本稿では、ゲート機構とRes2Netの思考に基づくバックボーン畳み込みニューラルネットワークを提案する。 GRes2Netは最先端のメソッドよりもパフォーマンスが優れており、優位性を示している。
• 参考スコア（独自算出の注目度）: 8.685598820025383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series analysis is an important problem in data mining because of its widespread applications. With the increase of time series data available for training, implementing deep neural networks in the field of time series analysis is becoming common. Res2Net, a recently proposed backbone, can further improve the state-of-the-art networks as it improves the multi-scale representation ability through connecting different groups of filters. However, Res2Net ignores the correlations of the feature maps and lacks the control on the information interaction process. To address that problem, in this paper, we propose a backbone convolutional neural network based on the thought of gated mechanism and Res2Net, namely Gated Res2Net (GRes2Net), for multivariate time series analysis. The hierarchical residual-like connections are influenced by gates whose values are calculated based on the original feature maps, the previous output feature maps and the next input feature maps thus considering the correlations between the feature maps more effectively. Through the utilization of gated mechanism, the network can control the process of information sending hence can better capture and utilize the both the temporal information and the correlations between the feature maps. We evaluate the GRes2Net on four multivariate time series datasets including two classification datasets and two forecasting datasets. The results demonstrate that GRes2Net have better performances over the state-of-the-art methods thus indicating the superiority
• Abstract（参考訳）: 多変量時系列解析はデータマイニングにおいて重要な問題である。 トレーニング用時系列データの増加に伴い、時系列分析の分野におけるディープニューラルネットワークの実装が一般的になりつつある。 最近提案されたバックボーンであるRes2Netは、異なるフィルタ群を接続することで、マルチスケールの表現能力を改善することにより、最先端ネットワークをさらに改善することができる。 しかし、Res2Netは特徴マップの相関を無視し、情報相互作用プロセスの制御を欠いている。 そこで本稿では,多変量時系列解析のためのゲート機構とRes2Net,すなわちGated Res2Net(GRes2Net)に基づくバックボーン畳み込みニューラルネットワークを提案する。 階層的な残差的な接続は、元の特徴マップ、以前の出力特徴マップ、次の入力特徴マップに基づいて値が計算されるゲートに影響され、特徴マップ間の相関をより効果的に考慮される。 ゲート機構を利用することで、ネットワークは情報送信の過程を制御できるので、時間的情報と特徴マップ間の相関の両方をよりよく捉え、活用することができる。 2つの分類データセットと2つの予測データセットを含む4つの多変量時系列データセット上でGRes2Netを評価する。 その結果, GRes2Netは最先端手法よりも優れた性能を示し, 優位性を示した。

関連論文リスト

• Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series [7.872208477823466]
  MissNetは、スパースネットワークを切り替えることで、状態空間モデルと相関関係の時間依存性を利用するように設計されている。 データ長を参照して線形にスケールするアルゴリズムは、代わりにネットワークを推論し、ネットワークを用いて欠落した値を埋める。
  論文  参考訳（メタデータ） (2024-09-16T02:08:33Z)
• Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
  時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。 従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。 本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-23T14:06:30Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders [31.953958053709805]
  我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。 実験の結果,ベースライン上でのモデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-05-29T21:11:34Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• 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)
• Graph Attention Recurrent Neural Networks for Correlated Time Series Forecasting -- Full version [16.22449727526222]
  時間とともに複数のエンティティが相互に相互作用し、そのエンティティの時間変化状態が相関時間系列として表されるような設定を検討する。 相関時系列の正確な予測を可能にするために,グラフ注意再帰ニューラルネットワークを提案する。 大規模実世界の時系列データを用いた実験により,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2021-03-19T12:15:37Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• 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)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。