論文の概要: From Time Series to Euclidean Spaces: On Spatial Transformations for Temporal Clustering

• arxiv url: http://arxiv.org/abs/2010.05681v1
• Date: Fri, 2 Oct 2020 09:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 00:57:42.152199
• Title: From Time Series to Euclidean Spaces: On Spatial Transformations for Temporal Clustering
• Title（参考訳）: 時系列からユークリッド空間へ:時間クラスタリングのための空間変換について
• Authors: Nuno Mota Goncalves, Ioana Giurgiu, Anika Schumann
• Abstract要約: 従来のクラスタリング手法,時系列特異性,あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元性が存在する場合によく一般化しないことを示す。 本稿では,入力時系列を距離ベース投影表現に変換する時間クラスタリング手法を提案する。
• 参考スコア（独自算出の注目度）: 5.220940151628734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised clustering of temporal data is both challenging and crucial in machine learning. In this paper, we show that neither traditional clustering methods, time series specific or even deep learning-based alternatives generalise well when both varying sampling rates and high dimensionality are present in the input data. We propose a novel approach to temporal clustering, in which we (1) transform the input time series into a distance-based projected representation by using similarity measures suitable for dealing with temporal data,(2) feed these projections into a multi-layer CNN-GRU autoencoder to generate meaningful domain-aware latent representations, which ultimately (3) allow for a natural separation of clusters beneficial for most important traditional clustering algorithms. We evaluate our approach on time series datasets from various domains and show that it not only outperforms existing methods in all cases, by up to 32%, but is also robust and incurs negligible computation overheads.
• Abstract（参考訳）: 時間データの教師なしクラスタリングは、マシンラーニングにおいて困難かつ極めて重要である。 本稿では,従来のクラスタリング手法,時系列的あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元が存在する場合にもよく一般化しないことを示す。 我々は,(1)入力時系列を時間データを扱うのに適した類似性尺度を用いて距離に基づく投影表現に変換し,(2)これらの投影を多層cnn-gruオートエンコーダに供給して有意義なドメイン認識潜在表現を生成し,(3)最も重要な従来のクラスタリングアルゴリズムに有益であるクラスタの自然な分離を可能にする,新たな時間クラスタリング手法を提案する。 我々は,各ドメインの時系列データセットに対するアプローチを評価し,既存の手法を最大32%上回るだけでなく,頑健であり,計算オーバーヘッドも無視できることを示した。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• Doubly Inhomogeneous Reinforcement Learning [4.334006170547247]
  我々は、ポリシー学習のために、時間とともに個人間で類似したダイナミクスを表示する「最良のデータチャンクを決定するためのオリジナルアルゴリズム」を提案する。 提案手法は汎用的であり,クラスタリングおよび変更点検出アルゴリズムの幅広い範囲で動作する。
  論文  参考訳（メタデータ） (2022-11-08T03:41:14Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
  本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。 提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。 その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
  論文  参考訳（メタデータ） (2021-07-03T00:19:17Z)
• Autoencoder-based time series clustering with energy applications [0.0]
  時系列クラスタリングは、データの特定の性質のため、難しい作業である。 本稿では,畳み込み型オートエンコーダとk-メノイドアルゴリズムの組み合わせによる時系列クラスタリングについて検討する。
  論文  参考訳（メタデータ） (2020-02-10T10:04:29Z)
• Data Curves Clustering Using Common Patterns Detection [0.0]
  分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。 共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
  論文  参考訳（メタデータ） (2020-01-05T18:36:38Z)

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。