Fugu-MT 論文翻訳(概要): Modifying the Symbolic Aggregate Approximation Method to Capture Segment Trend Information

論文の概要: Modifying the Symbolic Aggregate Approximation Method to Capture Segment Trend Information

arxiv url: http://arxiv.org/abs/2010.00730v1
Date: Fri, 2 Oct 2020 00:05:39 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 02:10:08.909761
Title: Modifying the Symbolic Aggregate Approximation Method to Capture Segment Trend Information
Title（参考訳）: セグメンテーショントレンド情報取得のためのシンボル集約近似法の修正
Authors: Muhammad Marwan Muhammad Fuad
Abstract要約: シンボリックアグリゲート近似(SAX)は時系列データの記号次元削減手法として人気がある。 SAXには固有の欠点があり、セグメントトレンド情報をキャプチャできない。何人かの研究者は、トレンド情報を含むように修正することでSAXを強化する試みを行っている。本稿では,SAXの3つの改良点について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Symbolic Aggregate approXimation (SAX) is a very popular symbolic dimensionality reduction technique of time series data, as it has several advantages over other dimensionality reduction techniques. One of its major advantages is its efficiency, as it uses precomputed distances. The other main advantage is that in SAX the distance measure defined on the reduced space lower bounds the distance measure defined on the original space. This enables SAX to return exact results in query-by-content tasks. Yet SAX has an inherent drawback, which is its inability to capture segment trend information. Several researchers have attempted to enhance SAX by proposing modifications to include trend information. However, this comes at the expense of giving up on one or more of the advantages of SAX. In this paper we investigate three modifications of SAX to add trend capturing ability to it. These modifications retain the same features of SAX in terms of simplicity, efficiency, as well as the exact results it returns. They are simple procedures based on a different segmentation of the time series than that used in classic-SAX. We test the performance of these three modifications on 45 time series datasets of different sizes, dimensions, and nature, on a classification task and we compare it to that of classic-SAX. The results we obtained show that one of these modifications manages to outperform classic-SAX and that another one slightly gives better results than classic-SAX.
Abstract（参考訳）: シンボリックアグリゲーション近似 (sax) は時系列データのシンボリック次元減少手法として非常にポピュラーであり、他の次元リダクション手法よりもいくつかの利点がある。主な利点の1つは、事前計算された距離を使用するため、効率性である。もう1つの利点は、SAX において、縮小空間で定義される距離測度が元の空間で定義される距離測度の境界であることである。これにより、saxはクエリバイコンテンツタスクの正確な結果を返すことができる。しかし、SAXには固有の欠点があり、セグメントトレンド情報をキャプチャできない。何人かの研究者は、トレンド情報を含むように修正することでSAXを強化する試みを行っている。しかし、これはSAXの利点の1つ以上を諦めることに費やされる。本稿では,トレンドキャプチャ機能を実現するため,saxの3つの改良について検討する。これらの修正は、単純さ、効率、およびそれが返す正確な結果に関して、SAXの同じ特徴を保っている。これらは、古典SAXで使用されるものと異なる時系列の区分けに基づく単純な手順である。サイズ,次元,自然の異なる45の時系列データセットに対して,これら3つの修正点の性能を分類タスクで検証し,従来のSAXと比較した。その結果,これらの修正の1つは,従来のSAXよりも優れており,もう1つは従来のSAXよりも若干良い結果が得られることがわかった。

関連論文リスト

BA-SAM: Scalable Bias-Mode Attention Mask for Segment Anything Model [65.92173280096588]
我々は,Segment Anything Model (SAM)における画像分解能変動の課題に対処する。 SAMはゼロショットの汎用性で知られており、さまざまな画像サイズを持つデータセットに直面するとパフォーマンスが低下する。我々は、各トークンが隣り合う情報を優先順位付けできるバイアスモードのアテンションマスクを提案する。
論文参考訳（メタデータ） (2024-01-04T15:34:44Z)
On the Importance of Spatial Relations for Few-shot Action Recognition [109.2312001355221]
本稿では,空間的関係の重要性を考察し,より正確な数発アクション認識法を提案する。新たな空間アライメントクロストランス(SA-CT)は、空間関係を再調整し、時間情報を組み込む。実験の結果, 時間的情報を使用しなくても, SA-CTの性能は3/4ベンチマークの時間的手法に匹敵することがわかった。
論文参考訳（メタデータ） (2023-08-14T12:58:02Z)
Towards Symbolic Time Series Representation Improved by Kernel Density Estimators [0.0]
本稿では,Symbolic Aggregate approXimation algorithm (SAX) に基づく一般的なマッピング手法について述べる。シーケンス分類、パターンマイニング、異常検出、時系列インデックス化、その他のデータマイニングタスクで広く利用されている。本稿では, 時系列再構成誤差やユークリッド距離下界など, SAX よりも有望な改善を伴う一般的なタスクの評価を含む, 提案手法について述べる。
論文参考訳（メタデータ） (2022-05-25T13:16:18Z)
Efficient Long-Range Attention Network for Image Super-resolution [25.51377161557467]
画像超解像(SR)のための効率的な長距離アテンションネットワーク(ELAN)を提案する。まず、シフト畳み込み(シフト畳み込み)を用い、1x1畳み込みと同じ複雑さを維持しながら、画像局所構造情報を効果的に抽出する。その後、GMSAモジュールで2つのシフトコンブをカスケードするだけで、高効率なロングレンジアテンションブロック(ELAB)が構築される。
論文参考訳（メタデータ） (2022-03-13T16:17:48Z)
Domain Generalization via Shuffled Style Assembly for Face Anti-Spoofing [69.80851569594924]
FAS(Generalizable Face Anti-Spoofing)は注目されている。この作業では、完全な表現をコンテンツとスタイルに分けます。 Shuffled Style Assembly Network (SSAN) は、異なるコンテンツやスタイルの特徴を抽出し、再組み立てするために提案されている。
論文参考訳（メタデータ） (2022-03-10T12:44:05Z)
Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文参考訳（メタデータ） (2022-03-09T16:17:47Z)
TSAX is Trending [0.0]
シンボリックアグリゲート近似(SAX)は時系列データの最も一般的な表現法の一つである。我々は,SAXに最小限の複雑さを与えるだけで,時系列分類の性能を大幅に向上させるSAXの新たな改良を提案する。
論文参考訳（メタデータ） (2021-12-24T02:34:50Z)
Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
論文参考訳（メタデータ） (2021-12-10T20:46:13Z)
Distribution Agnostic Symbolic Representations for Time Series Dimensionality Reduction and Online Anomaly Detection [8.00114449574708]
本稿では,データ駆動型SAXに基づく2つのシンボル表現を提案する。提案した表現は, 従来のSAX法の魅力を全て有している。
論文参考訳（メタデータ） (2021-05-20T08:35:50Z)
FASA: Feature Augmentation and Sampling Adaptation for Long-Tailed Instance Segmentation [91.129039760095]
ロングテールインスタンスセグメンテーションの最近の手法は、トレーニングデータが少ないレアオブジェクトクラスで未だに苦労している。本稿では,FASA(Feature Augmentation and Smpling Adaptation)を提案する。 FASAは、標準またはロングテールのセグメンテーションフレームワークに簡単に接続できる、高速で汎用的な方法です。
論文参考訳（メタデータ） (2021-02-25T14:07:23Z)
Extreme-SAX: Extreme Points Based Symbolic Representation for Time Series Classification [0.0]
本稿では,各セグメントの極点のみを用いて時系列を表現するExtreme-SAX(E-SAX)を提案する。 E-SAXはオリジナルのSAXと全く同じ単純さと効率性を持っているが、オリジナルのSAXよりも時系列分類においてより良い結果が得られる。
論文参考訳（メタデータ） (2020-10-02T00:17:08Z)

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。