論文の概要: Extreme-SAX: Extreme Points Based Symbolic Representation for Time Series Classification

• arxiv url: http://arxiv.org/abs/2010.00732v1
• Date: Fri, 2 Oct 2020 00:17:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 02:09:47.257826
• Title: Extreme-SAX: Extreme Points Based Symbolic Representation for Time Series Classification
• Title（参考訳）: 極端SAX:極端点に基づく時系列分類のための記号表現
• Authors: Muhammad Marwan Muhammad Fuad
• Abstract要約: 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。
• 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: Time series classification is an important problem in data mining with several applications in different domains. Because time series data are usually high dimensional, dimensionality reduction techniques have been proposed as an efficient approach to lower their dimensionality. One of the most popular dimensionality reduction techniques of time series data is the Symbolic Aggregate Approximation (SAX), which is inspired by algorithms from text mining and bioinformatics. SAX is simple and efficient because it uses precomputed distances. The disadvantage of SAX is its inability to accurately represent important points in the time series. In this paper we present Extreme-SAX (E-SAX), which uses only the extreme points of each segment to represent the time series. E-SAX has exactly the same simplicity and efficiency of the original SAX, yet it gives better results in time series classification than the original SAX, as we show in extensive experiments on a variety of time series datasets.
• Abstract（参考訳）: 時系列分類はデータマイニングにおいて重要な問題であり、異なる領域に応用されている。 時系列データは通常高次元であるため、次元化を下げるための効率的な手法として次元化技術が提案されている。 時系列データの最も一般的な次元削減手法の1つは、テキストマイニングとバイオインフォマティクスのアルゴリズムにインスパイアされたシンボリック・アグリゲート近似(SAX)である。 SAXは計算済み距離を使用するため、シンプルで効率的である。 SAXの欠点は、時系列の重要な点を正確に表現できないことである。 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、様々な時系列データセットの広範な実験で示すように、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。

関連論文リスト

• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Fast Classification of Large Time Series Datasets [0.0]
  時系列分類(TSC)は、時系列マイニングにおいて最もインポートされたタスクである。 時系列データセットのサイズが永遠に大きくなるにつれて、従来のTSCメソッドはもはや十分ではない。
  論文  参考訳（メタデータ） (2023-12-10T22:56:09Z)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• 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)
• 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)
• Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
  そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。 MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
  論文  参考訳（メタデータ） (2022-04-18T04:34:15Z)
• An efficient aggregation method for the symbolic representation of temporal data [0.0]
  本稿では,適応的ブラウン橋型アグリゲーション法 (ABBA) の新たな変種であるfABBAを提案する。 この変種は、時系列の断片表現に合わせた新しい集約アプローチを利用する。 従来の手法とは対照的に、新しいアプローチでは事前に指定する時系列シンボルの数を必要としない。
  論文  参考訳（メタデータ） (2022-01-14T22:51:24Z)
• 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)
• 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)
• Modifying the Symbolic Aggregate Approximation Method to Capture Segment Trend Information [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。
  論文  参考訳（メタデータ） (2020-10-02T00:05:39Z)

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。