論文の概要: Wavelet-based clustering for time-series trend detection
- arxiv url: http://arxiv.org/abs/2011.12111v1
- Date: Tue, 17 Nov 2020 09:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 16:28:47.965672
- Title: Wavelet-based clustering for time-series trend detection
- Title(参考訳): 時系列トレンド検出のためのウェーブレットに基づくクラスタリング
- Authors: Vincent Talbo, Mehdi Haddab, Derek Aubert, Redha Moulla
- Abstract要約: 離散ウェーブレット変換により得られる係数の選択に対して$k$-means法を用いてクラスタリングを行う。
本手法は、61店舗の日当売上時間帯864店舗のクラスタリングのユースケースに適用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a method performing clustering of time-series on
the basis of their trend (increasing, stagnating/decreasing, and seasonal
behavior). The clustering is performed using $k$-means method on a selection of
coefficients obtained by discrete wavelet transform, reducing drastically the
dimensionality. The method is applied on an use case for the clustering of a
864 daily sales revenue time-series for 61 retail shops. The results are
presented for different mother wavelets. The importance of each wavelet
coefficient and its level is discussed thanks to a principal component analysis
along with a reconstruction of the signal from the selected wavelet
coefficients.
- Abstract(参考訳): 本稿では,時系列のクラスタリングを行う手法について,その傾向(増加・停滞・減少・季節的行動)に基づいて紹介する。
離散ウェーブレット変換により得られる係数の選択に対して$k$-means法を用いてクラスタリングを行い、次元を大幅に削減する。
本手法は、61店舗の日当売上時間帯864店舗のクラスタリングのユースケースに適用する。
結果は、異なるマザーウェーブレットに対して示される。
各ウェーブレット係数とそのレベルの重要性は、選択したウェーブレット係数からの信号の再構成とともに主成分分析により議論される。
関連論文リスト
- Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting [0.0]
本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。
我々の知る限り、DWTを用いた多変量時系列に関する広範な実験を行った最初の研究である。
論文 参考訳(メタデータ) (2024-08-20T15:42:10Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳(メタデータ) (2023-11-10T08:50:28Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Jump-Diffusion Langevin Dynamics for Multimodal Posterior Sampling [3.4483987421251516]
本研究では, 複合メトロポリス法とランゲヴィン法(Langevin sample method)の合成および実データに対するジャンプ拡散法(Jump Diffusion)に類似した性能について検討した。
その結果, 純勾配系およびサンプリング系において, 混合サンプリングジャンプの慎重な校正が有意に優れていることが判明した。
論文 参考訳(メタデータ) (2022-11-02T17:35:04Z) - Conditioning Normalizing Flows for Rare Event Sampling [61.005334495264194]
本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。
本手法は遷移領域の熱力学と運動学の両方の解法を可能にすることを示す。
論文 参考訳(メタデータ) (2022-07-29T07:56:10Z) - Scale Dependencies and Self-Similar Models with Wavelet Scattering
Spectra [1.5866079116942815]
複雑なウェーブレット変換は、各スケールで信号の変動を計算する。
スケール間の依存性は、ウェーブレット係数の時間とスケールのジョイント相関によって捉えられる。
このモーメントのベクトルは多スケールプロセスのガウス的でない幅広い性質を特徴付けることを示す。
論文 参考訳(メタデータ) (2022-04-19T22:31:13Z) - On Sparse High-Dimensional Graphical Model Learning For Dependent Time Series [12.94486861344922]
本稿では,スパース,高次元定常時系列の条件独立グラフ(CIG)を推定する問題を考察する。
スパースグループラッソに基づく周波数領域の定式化について述べる。
また,ベイズ情報基準に基づくチューニングパラメータの選択についても実験的に検討した。
論文 参考訳(メタデータ) (2021-11-15T16:52:02Z) - Breadcrumbs: Adversarial Class-Balanced Sampling for Long-tailed
Recognition [95.93760490301395]
クラスごとのサンプル数が非バランスである長尾認識の問題は、考慮されます。
これは例の繰り返しサンプリングによるものであり、特徴空間拡張によって対処できると仮定される。
トレーニング中のエポック間の機能のバックトラッキングに基づく,新たな機能拡張戦略であるemanateを提案する。
新たなサンプリング手順であるbreadcrumbは、余分な計算なしで逆のクラスバランスのサンプリングを実装するために導入された。
論文 参考訳(メタデータ) (2021-05-01T00:21:26Z) - Simultaneous Grouping and Denoising via Sparse Convex Wavelet Clustering [3.2116198597240846]
散在な凸ウェーブレットクラスタリングアプローチを開発し、同時にグループをノイズ化し、発見します。
本手法は、解釈性およびデータ圧縮の両方を改善する非ノイズ化(ウェーブレットスパース)クラスタセントロイドを生成する。
論文 参考訳(メタデータ) (2020-12-08T22:00:38Z) - Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。
本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。
我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文 参考訳(メタデータ) (2020-07-06T08:11:03Z)
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。