論文の概要: The Semantic Adjacency Criterion in Time Intervals Mining

• arxiv url: http://arxiv.org/abs/2101.03842v1
• Date: Mon, 11 Jan 2021 12:23:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 14:36:28.190037
• Title: The Semantic Adjacency Criterion in Time Intervals Mining
• Title（参考訳）: 時間間隔マイニングにおける意味的隣接基準
• Authors: Alexander Shknevsky, Yuval Shahar, Robert Moskovitch
• Abstract要約: SAC(Semantic Adjacency Criterion)と呼ばれる頻繁な時間パターン発見過程における新たなプルーニング制約を提案する。 我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。
• 参考スコア（独自算出の注目度）: 70.13948372218849
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Frequent temporal patterns discovered in time-interval-based multivariate data, although syntactically correct, might be non-transparent: For some pattern instances, there might exist intervals for the same entity that contradict the pattern's usual meaning. We conjecture that non-transparent patterns are also less useful as classification or prediction features. We propose a new pruning constraint during a frequent temporal-pattern discovery process, the Semantic Adjacency Criterion [SAC], which exploits domain knowledge to filter out patterns that contain potentially semantically contradictory components. We have defined three SAC versions, and tested their effect in three medical domains. We embedded these criteria in a frequent-temporal-pattern discovery framework. Previously, we had informally presented the SAC principle and showed that using it to prune patterns enhances the repeatability of their discovery in the same clinical domain. Here, we define formally the semantics of three SAC variations, and compare the use of the set of pruned patterns to the use of the complete set of discovered patterns, as features for classification and prediction tasks in three different medical domains. We induced four classifiers for each task, using four machine-learning methods: Random Forests, Naive Bayes, SVM, and Logistic Regression. The features were frequent temporal patterns discovered in each data set. SAC-based temporal pattern-discovery reduced by up to 97% the number of discovered patterns and by up to 98% the discovery runtime. But the classification and prediction performance of the reduced SAC-based pattern-based features set, was as good as when using the complete set. Using SAC can significantly reduce the number of discovered frequent interval-based temporal patterns, and the corresponding computational effort, without losing classification or prediction performance.
• Abstract（参考訳）: 時間的相互作用に基づく多変量データで見つかる頻繁な時間的パターンは、構文的には正しいが、非透過的かもしれない: いくつかのパターンの例では、パターンの通常の意味と矛盾する同じエンティティに対して間隔が存在するかもしれない。 非透明パターンは分類や予測機能としてはあまり有用ではないと推測する。 本稿では、ドメイン知識を利用して、意味的に矛盾する可能性のあるコンポーネントを含むパターンをフィルタリングするSAC(Semantic Adjacency Criterion)という、頻繁な時間的パターン発見プロセスにおいて、新たなプルーニング制約を提案する。 我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。 これらの基準を頻繁な時間パターン発見フレームワークに組み込んだ。 従来,我々はSACの原則を非公式に提示し,それを用いて同一臨床領域における発見の再現性を高めることを示した。 ここでは,3つのSAC変種の意味論を形式的に定義し,3つの異なる医療領域における分類・予測タスクの特徴として,プルーニングパターンの集合と発見パターンの完全な集合の使用を比較した。 我々は,ランダムフォレスト,ネイブベイズ,SVM,ロジスティック回帰という4つの機械学習手法を用いて,各タスクに4つの分類器を誘導した。 これらの特徴は、各データセットで頻繁に発見された時間パターンである。 SACベースの時間パターン発見は、発見されるパターンの数を最大97%削減し、発見ランタイムを最大98%削減した。 しかし、SACに基づくパターンベース特徴セットの分類と予測性能は、完全な集合を使用する場合と同様に良好であった。 SACを使用すると、分類や予測性能を失うことなく、発見される頻繁な間隔ベースの時間パターンの数とそれに対応する計算労力を大幅に削減できる。

関連論文リスト

• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• 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)
• GaitASMS: Gait Recognition by Adaptive Structured Spatial Representation and Multi-Scale Temporal Aggregation [2.0444600042188448]
  歩行認識は、最も有望なビデオベースの生体認証技術の一つである。 本稿では,GaitASMSと呼ばれる新しい歩行認識フレームワークを提案する。 適応的な空間表現を効果的に抽出し、多スケールの時間情報を自然に集約することができる。
  論文  参考訳（メタデータ） (2023-07-29T13:03:17Z)
• Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding [49.1865229301561]
  本稿では,既存の因果感受性モデルを用いた部分同定手法を提案し,Caus-Modensがより厳密な結果区間を与えることを示す。 3つの異なるベンチマークのうち最後のものは、未知だが探究可能な基底真理を持つ観測実験にGPT-4を新たに使用することである。
  論文  参考訳（メタデータ） (2023-06-15T21:42:40Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Finding Short Signals in Long Irregular Time Series with Continuous-Time Attention Policy Networks [18.401817124823832]
  不規則にサンプリングされた時系列(ITS)は、医療のような高インパクト領域に固有のものであり、不均一な間隔で測定が時間とともに収集される。 入力系列の時系列の高関連部分を明示的に求め,多変量 ITS を分類するモデル CAT を提案する。 合成データと実データを用いて、CATは長い不規則な時系列で短い信号を見つけることで、最先端の10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） (2023-02-08T13:44:36Z)
• A Pattern Discovery Approach to Multivariate Time Series Forecasting [27.130141538089152]
  モデル複雑性は時系列の長さとともに指数関数的に増加するので、最先端のディープラーニング手法はフルタイムのモデルの構築に失敗する。 本稿では,多種多様な時系列パターンを自動的にキャプチャできる新しいパターン探索手法を提案する。 また,学習可能な相関行列を提案し,複数の時系列間の相関関係をモデル化する。
  論文  参考訳（メタデータ） (2022-12-20T14:54:04Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出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） (2021-10-06T10:33:55Z)
• 3D Iterative Spatiotemporal Filtering for Classification of Multitemporal Satellite Data Sets [4.6998356311022285]
  3次元幾何学的特徴は時間的データセット間の差異を評価するために安定であることが示されている。 本稿では,衛星データに基づく時間的分類のための多面的正光およびディジタル表面モデルの利用について検討する。
  論文  参考訳（メタデータ） (2021-07-01T16:26:52Z)

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。