論文の概要: A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression

• arxiv url: http://arxiv.org/abs/2010.05270v1
• Date: Sun, 11 Oct 2020 15:21:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 13:07:38.563954
• Title: A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression
• Title（参考訳）: 時系列回帰における動的時間ワープの影響に関する事例研究
• Authors: Vivek Mahato, P\'adraig Cunningham
• Abstract要約: 本研究では,1波長のみを考慮した場合,動的時間ワープ(DTW)が回帰作業の精度向上に有効であることを示す。 k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。 しかし、この問題では、このデータは波長の広い範囲で利用できると考えている。
• 参考スコア（独自算出の注目度）: 2.639737913330821
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: It is well understood that Dynamic Time Warping (DTW) is effective in revealing similarities between time series that do not align perfectly. In this paper, we illustrate this on spectroscopy time-series data. We show that DTW is effective in improving accuracy on a regression task when only a single wavelength is considered. When combined with k-Nearest Neighbour, DTW has the added advantage that it can reveal similarities and differences between samples at the level of the time-series. However, in the problem, we consider here data is available across a spectrum of wavelengths. If aggregate statistics (means, variances) are used across many wavelengths the benefits of DTW are no longer apparent. We present this as another example of a situation where big data trumps sophisticated models in Machine Learning.
• Abstract（参考訳）: 動的時間ウォーピング (dtw) は, 時系列間の類似性を明らかにするのに有効であることがよく理解されている。 本稿では,分光時系列データについて述べる。 単一波長のみを考慮した場合,DTWは回帰作業の精度向上に有効であることを示す。 k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。 しかし、この問題では、このデータは様々な波長で利用できると考えている。 集約統計(平均、分散)が多くの波長にわたって使用される場合、DTWの利点はもはや明らかではない。 これを、ビッグデータが機械学習の高度なモデルに挑戦する別の例として提示する。

関連論文リスト

• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Evaluating DTW Measures via a Synthesis Framework for Time-Series Data [3.4437947384641037]
  時系列データは、時間とともに特定の観察や興味の量を記述する様々なアプリケーションに由来する。 動的時間ワープ (DTW) は2つの時間信号間の最適アライメントを実現するための標準手法である。 ほとんどのDTW測度は、理由を明確に説明することなく、特定の時系列データに対して良好に機能する。 適切なDTW尺度を選択するためのガイドラインが提示されたのはこれが初めてである。
  論文  参考訳（メタデータ） (2024-02-14T05:08:47Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Deep Attentive Time Warping [22.411355064531143]
  タスク適応時間ワープのためのニューラルネットワークモデルを提案する。 我々は、バイパーティイトアテンションモデルと呼ばれるアテンションモデルを用いて、明示的な時間ゆらぎメカニズムを開発する。 DTWをワープに使用する他の学習可能なモデルとは異なり、我々のモデルは2つの時系列間のすべての局所的対応を予測する。
  論文  参考訳（メタデータ） (2023-09-13T04:49:49Z)
• Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
  動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。 提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-01-30T13:27:47Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection [16.223509730658513]
  本稿では,ノイズや外れ値の影響を低減するため,RobostDTWという新しい時系列差分尺度を提案する。 具体的には、ロバストDTWは、設計した時間グラフトレンドフィルタリングを利用して、トレンドを推定し、時間ワープを交互に最適化する。 実世界のデータセットを用いた実験では、外乱時系列検出と周期性検出の両方において、DTWの変種と比較してロバストDTWの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-06-07T00:49:16Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Elastic Similarity Measures for Multivariate Time Series Classification [4.5669999076671655]
  弾性類似度測定は、時系列データで動作するように特別に設計された類似度測定のクラスです。 弾性類似度測定は、分類、クラスタリング、外れ値検出などの機械学習タスクで広く使用されている。
  論文  参考訳（メタデータ） (2021-02-20T02:24:33Z)

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。