論文の概要: TimeAutoML: Autonomous Representation Learning for Multivariate
Irregularly Sampled Time Series
- arxiv url: http://arxiv.org/abs/2010.01596v1
- Date: Sun, 4 Oct 2020 15:01:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 02:57:09.906745
- Title: TimeAutoML: Autonomous Representation Learning for Multivariate
Irregularly Sampled Time Series
- Title(参考訳): TimeAutoML:多変量不規則サンプリング時系列の自動表現学習
- Authors: Yang Jiao, Kai Yang, Shaoyu Dou, Pan Luo, Sijia Liu, Dongjin Song
- Abstract要約: 本稿では,不規則なサンプリングレートと可変長を持つ多変量時系列(TimeAutoML)の自律表現学習手法を提案する。
実世界のデータセットに関する大規模な実証研究は、提案されたTimeAutoMLが、様々なタスクにおける競合するアプローチを大きなマージンで上回ることを示した。
- 参考スコア(独自算出の注目度): 27.0506649441212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series (MTS) data are becoming increasingly ubiquitous in
diverse domains, e.g., IoT systems, health informatics, and 5G networks. To
obtain an effective representation of MTS data, it is not only essential to
consider unpredictable dynamics and highly variable lengths of these data but
also important to address the irregularities in the sampling rates of MTS.
Existing parametric approaches rely on manual hyperparameter tuning and may
cost a huge amount of labor effort. Therefore, it is desirable to learn the
representation automatically and efficiently. To this end, we propose an
autonomous representation learning approach for multivariate time series
(TimeAutoML) with irregular sampling rates and variable lengths. As opposed to
previous works, we first present a representation learning pipeline in which
the configuration and hyperparameter optimization are fully automatic and can
be tailored for various tasks, e.g., anomaly detection, clustering, etc. Next,
a negative sample generation approach and an auxiliary classification task are
developed and integrated within TimeAutoML to enhance its representation
capability. Extensive empirical studies on real-world datasets demonstrate that
the proposed TimeAutoML outperforms competing approaches on various tasks by a
large margin. In fact, it achieves the best anomaly detection performance among
all comparison algorithms on 78 out of all 85 UCR datasets, acquiring up to 20%
performance improvement in terms of AUC score.
- Abstract(参考訳): 多変量時系列(mts)データは,iotシステムやヘルスインフォマティクス,5gネットワークなど,さまざまな領域で広く普及している。
MTSデータの効率的な表現を得るためには、予測不可能な力学と高い可変長を考えるだけでなく、MTSのサンプリングレートの不規則に対処することが重要である。
既存のパラメトリックアプローチは手動のハイパーパラメータチューニングに依存しており、膨大な労力を要する可能性がある。
したがって、表現を自動かつ効率的に学習することが望ましい。
そこで本研究では,不規則なサンプリング率と可変長を持つ多変量時系列(timeautoml)に対する自律表現学習手法を提案する。
従来の研究とは対照的に,我々はまず,設定とハイパーパラメータ最適化を完全に自動化し,異常検出やクラスタリングなど,さまざまなタスクに合わせて調整可能な表現学習パイプラインを提示する。
次に、その表現能力を高めるために、TimeAutoML内に負サンプル生成手法と補助分類タスクを開発し、統合する。
実世界のデータセットに関する大規模な実証研究は、提案されたTimeAutoMLが、様々なタスクにおける競合するアプローチを大きなマージンで上回ることを示した。
実際、85のUCRデータセットのうち78のアルゴリズムで、すべての比較アルゴリズムの中で最高の異常検出性能を達成し、AUCスコアで最大20%のパフォーマンス改善を得る。
関連論文リスト
- SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。
トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
論文 参考訳(メタデータ) (2024-11-20T10:23:21Z) - UniTS: A Unified Multi-Task Time Series Model [31.675845788410246]
UniTSは、予測タスクと生成タスクを単一のフレームワークに統合した、統合されたマルチタスク時系列モデルである。
UniTSは、人間の活動センサー、ヘルスケア、エンジニアリング、ファイナンスにまたがる38のデータセットでテストされている。
論文 参考訳(メタデータ) (2024-02-29T21:25:58Z) - SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳(メタデータ) (2024-02-20T18:48:49Z) - AdaMerging: Adaptive Model Merging for Multi-Task Learning [68.75885518081357]
本稿では,Adaptive Model Merging (AdaMerging)と呼ばれる革新的な手法を紹介する。
本来のトレーニングデータに頼ることなく、タスクレベルでも階層的にも、モデルマージの係数を自律的に学習することを目指している。
AdaMergingは、現在の最先端のタスク演算のマージ方式と比較すると、パフォーマンスが11%向上している。
論文 参考訳(メタデータ) (2023-10-04T04:26:33Z) - AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。
本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。
このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
論文 参考訳(メタデータ) (2023-05-04T02:09:43Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-02-17T18:18:27Z) - Enhancing Transformer Efficiency for Multivariate Time Series
Classification [12.128991867050487]
本稿では,モデル効率と精度,複雑さの関係を考察する手法を提案する。
ベンチマークMSSデータセットの総合実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2022-03-28T03:25:19Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - 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) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z)
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。