論文の概要: Fast Automatic Feature Selection for Multi-Period Sliding Window
Aggregate in Time Series
- arxiv url: http://arxiv.org/abs/2012.01037v1
- Date: Wed, 2 Dec 2020 09:14:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:53:01.702068
- Title: Fast Automatic Feature Selection for Multi-Period Sliding Window
Aggregate in Time Series
- Title（参考訳）: 時系列における多周期スライディングウィンドウアグリゲートの高速自動特徴選択
- Authors: Rui An, Xingtian Shi, Baohan Xu
- Abstract要約: スライドウィンドウアグリゲーション特徴選択を自動で処理する方法はない。
この問題を解決するためにマルコフ・チェインを用いた一般的なフレームワークを提案する。
2つの一般的なスライディングウィンドウと3種類のアグリゲーション演算子による詳細を示す。
- 参考スコア（独自算出の注目度）: 3.0079490585515343
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As one of the most well-known artificial feature sampler, the sliding window
is widely used in scenarios where spatial and temporal information exists, such
as computer vision, natural language process, data stream, and time series.
Among which time series is common in many scenarios like credit card payment,
user behavior, and sensors. General feature selection for features extracted by
sliding window aggregate calls for time-consuming iteration to generate
features, and then traditional feature selection methods are employed to rank
them. The decision of key parameter, i.e. the period of sliding windows,
depends on the domain knowledge and calls for trivial. Currently, there is no
automatic method to handle the sliding window aggregate features selection. As
the time consumption of feature generation with different periods and sliding
windows is huge, it is very hard to enumerate them all and then select them.
In this paper, we propose a general framework using Markov Chain to solve
this problem. This framework is very efficient and has high accuracy, such that
it is able to perform feature selection on a variety of features and period
options. We show the detail by 2 common sliding windows and 3 types of
aggregation operators. And it is easy to extend more sliding windows and
aggregation operators in this framework by employing existing theory about
Markov Chain.
- Abstract（参考訳）: 最もよく知られている人工的特徴サンプリングの1つとして、スライディングウィンドウはコンピュータビジョン、自然言語処理、データストリーム、時系列などの空間的・時間的情報が存在するシナリオで広く使われている。
時系列は、クレジットカードの支払い、ユーザーの振る舞い、センサーなど、多くのシナリオでよく見られる。
ウィンドウアグリゲーションによって抽出された特徴の一般的な特徴選択は、時間を要する反復によって特徴を生成し、その後、それらのランク付けに伝統的な特徴選択手法を用いる。
キーパラメータの決定、すなわち、
スライディングウィンドウの期間は、ドメインの知識と自明さに依存する。
現在、スライディングウィンドウ集約機能の選択を扱う自動メソッドは存在しない。
異なる期間とスライディングウィンドウを持つ特徴生成の時間消費は巨大であるため、これらすべてを列挙して選択するのは非常に困難である。
本稿では,マルコフ・チェインを用いた一般的なフレームワークを提案する。
このフレームワークは非常に効率的で精度が高く、様々な機能や期間オプションで機能選択を行うことができる。
2つの一般的なスライディングウィンドウと3種類の集約演算子による詳細を示す。
そして、マルコフ連鎖に関する既存の理論を用いて、このフレームワークでよりスライディングウィンドウとアグリゲーション演算子を拡張することは容易である。
関連論文リスト
- Long or Short or Both? An Exploration on Lookback Time Windows of Behavioral Features in Product Search Ranking [13.992753487350974]
顧客の買い物行動機能は、eコマースにおける商品検索ランキングモデルの中核をなす。
長時間・短時間の窓を用いた場合の長所と短所を調べた結果,異なる窓の歴史的挙動を統合化するための新しい手法が提案された。
論文 参考訳（メタデータ） (2024-09-26T01:18:29Z) - WindowMixer: Intra-Window and Inter-Window Modeling for Time Series Forecasting [15.578933029560309]
時系列予測は、経済予測、天気予報、交通流分析、公衆衛生監視といった分野において重要である。
従来の手法はポイントツーポイントの関係をモデル化し、複雑な時間パターンをキャプチャする能力を制限する。
全MLPフレームワーク上に構築された WindowMixer モデルを紹介する。
論文 参考訳（メタデータ） (2024-06-14T08:09:39Z) - Sparse Transformer with Local and Seasonal Adaptation for Multivariate Time Series Forecasting [8.000134983886742]
3つのスパース成分からなるドーザー注意機構を提案する。
これらのコンポーネントは、局所性、季節性、グローバルな時間的依存関係を含む、MSSデータの本質的な属性をキャプチャするために設計されている。
MTS予測タスクに対するDozer Attentionメカニズムを取り入れたDozerformer Frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-11T22:49:02Z) - Towards Free Data Selection with General-Purpose Models [71.92151210413374]
望ましいデータ選択アルゴリズムは、限られたアノテーション予算の有用性を最大化するために、最も情報性の高いサンプルを効率的に選択することができる。
アクティブな学習手法で表現された現在のアプローチは、通常、時間を要するモデルのトレーニングとバッチデータ選択を繰り返し繰り返す、面倒なパイプラインに従う。
FreeSelは重いバッチ選択プロセスをバイパスし、効率を大幅に改善し、既存のアクティブラーニングメソッドよりも530倍高速である。
論文 参考訳（メタデータ） (2023-09-29T15:50:14Z) - Temporal Saliency Query Network for Efficient Video Recognition [82.52760040577864]
ビデオ認識は、インターネットやモバイルデバイス上でのマルチメディアデータの爆発的な成長に関するホットスポット研究のトピックである。
既存の方法の多くは、クラス固有のサリエンシスコアを意識せずに、サリエントフレームを選択する。
そこで我々は,Saliency Query (TSQ) 機構を提案する。
論文 参考訳（メタデータ） (2022-07-21T09:23:34Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Rethinking Space-Time Networks with Improved Memory Coverage for
Efficient Video Object Segmentation [68.45737688496654]
各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。
対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。
すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
論文 参考訳（メタデータ） (2021-06-09T16:50:57Z) - A Feature Selection Method for Multi-Dimension Time-Series Data [2.055949720959582]
モーションキャプチャやアクティビティ認識などのアプリケーション領域の時系列データは、しばしば多次元である。
これらのデータストリームには多くの冗長性があり、優れた分類精度は少数の機能で達成できることが多い。
相互情報に基づく多次元時系列データにおける特徴部分選択法を提案する。
論文 参考訳（メタデータ） (2021-04-22T14:49:00Z) - Cluster-Former: Clustering-based Sparse Transformer for Long-Range
Dependency Encoding [90.77031668988661]
Cluster-Formerはクラスタリングベースの新しいスパーストランスであり、チャンクされたシーケンスにまたがって注意を向ける。
提案されたフレームワークは、Sliding-Window LayerとCluster-Former Layerの2つのユニークなタイプのTransformer Layerにピボットされている。
実験によると、Cluster-Formerはいくつかの主要なQAベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-13T22:09:30Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z) - SummerTime: Variable-length Time SeriesSummarization with Applications
to PhysicalActivity Analysis [6.027126804548653]
textitSummerTimeは、グローバルな時系列信号の要約を目指している。
可変長時系列の固定長で頑健な要約を提供する。
論文 参考訳（メタデータ） (2020-02-20T20:20:06Z)
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。