論文の概要: Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information
- arxiv url: http://arxiv.org/abs/2101.05608v1
- Date: Tue, 12 Jan 2021 20:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:46:57.733955
- Title: Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information
- Title（参考訳）: 空間情報を用いた時系列データの効率的解析のためのディープセルリカレントネットワーク
- Authors: Lasitha Vidyaratne, Mahbubul Alam, Alexander Glandon, Anna Shabalina,
Christopher Tennant, and Khan Iftekharuddin
- Abstract要約: 本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
- 参考スコア（独自算出の注目度）: 52.635997570873194
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Efficient processing of large-scale time series data is an intricate problem
in machine learning. Conventional sensor signal processing pipelines with hand
engineered feature extraction often involve huge computational cost with high
dimensional data. Deep recurrent neural networks have shown promise in
automated feature learning for improved time-series processing. However,
generic deep recurrent models grow in scale and depth with increased complexity
of the data. This is particularly challenging in presence of high dimensional
data with temporal and spatial characteristics. Consequently, this work
proposes a novel deep cellular recurrent neural network (DCRNN) architecture to
efficiently process complex multi-dimensional time series data with spatial
information. The cellular recurrent architecture in the proposed model allows
for location-aware synchronous processing of time series data from spatially
distributed sensor signal sources. Extensive trainable parameter sharing due to
cellularity in the proposed architecture ensures efficiency in the use of
recurrent processing units with high-dimensional inputs. This study also
investigates the versatility of the proposed DCRNN model for classification of
multi-class time series data from different application domains. Consequently,
the proposed DCRNN architecture is evaluated using two time-series datasets: a
multichannel scalp EEG dataset for seizure detection, and a machine fault
detection dataset obtained in-house. The results suggest that the proposed
architecture achieves state-of-the-art performance while utilizing
substantially less trainable parameters when compared to comparable methods in
the literature.
- Abstract（参考訳）: 大規模時系列データの効率的な処理は、機械学習の複雑な問題である。
手動で特徴抽出を行う従来のセンサ信号処理パイプラインは、高次元データによる膨大な計算コストを伴うことが多い。
ディープリカレントニューラルネットワークは、時系列処理を改善するための自動機能学習に有望である。
しかし、一般的なディープ・リカレントモデルでは、データの複雑さが増すにつれてスケールと深さが大きくなる。
これは、時間的および空間的特性を持つ高次元データの存在において特に困難である。
そこで本研究では,複雑な多次元時系列データを空間情報で効率的に処理する新しいディープセルリカレントニューラルネットワーク(dcrnn)アーキテクチャを提案する。
提案モデルにおけるセルリカレントアーキテクチャにより,空間分布センサ信号源からの時系列データの位置認識同期処理が可能となる。
提案アーキテクチャにおけるセルラ性による広範なトレーニング可能なパラメータ共有は,高次元入力を用いた再帰処理ユニットの使用効率を保証している。
そこで本研究では,DCRNNモデルの多クラス時系列データの分類における汎用性についても検討した。
その結果、DCRNNアーキテクチャは2つの時系列データセット、つまり、発作検出のためのマルチチャネルの頭皮EEGデータセットと、社内で得られたマシン故障検出データセットを用いて評価される。
その結果,本論文の手法と比較した場合,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現できることが示唆された。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳（メタデータ） (2024-02-20T18:48:49Z) - DOMINO: Domain-invariant Hyperdimensional Classification for
Multi-Sensor Time Series Data [14.434647668734184]
ノイズの多いマルチセンサ時系列データにおける分散シフト問題に対処する新しいHDC学習フレームワークであるDOMINOを提案する。
DOMINOは最先端(SOTA)DNNベースのドメイン一般化技術よりも平均2.04%高い精度で達成し、16.34倍高速なトレーニングと2.89倍高速な推論を提供する。
論文 参考訳（メタデータ） (2023-08-07T04:44:12Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:05:51Z) - TTS-GAN: A Transformer-based Time-Series Generative Adversarial Network [4.989480853499916]
時系列データは、医療機械学習アプリケーションで使用される最も一般的なタイプのデータの1つである。
本稿では,現実的な合成時系列データ列を生成可能な変換器ベースのGANであるTS-GANを紹介する。
実時間と生成した時系列データの類似性を実証するために,可視化と次元削減技術を用いている。
論文 参考訳（メタデータ） (2022-02-06T03:05:47Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Oscillatory Fourier Neural Network: A Compact and Efficient Architecture
for Sequential Processing [16.69710555668727]
本稿では,コサイン活性化と時系列処理のための時間変化成分を有する新しいニューロンモデルを提案する。
提案したニューロンは、スペクトル領域に逐次入力を投影するための効率的なビルディングブロックを提供する。
IMDBデータセットの感情分析に提案されたモデルを適用すると、5時間以内のテスト精度は89.4%に達する。
論文 参考訳（メタデータ） (2021-09-14T19:08:07Z) - CARRNN: A Continuous Autoregressive Recurrent Neural Network for Deep
Representation Learning from Sporadic Temporal Data [1.8352113484137622]
本稿では,散発データにおける複数の時間的特徴をモデル化するための新しい深層学習モデルを提案する。
提案モデルはCARRNNと呼ばれ、時間ラグによって変調されたニューラルネットワークを用いてエンドツーエンドにトレーニング可能な一般化された離散時間自己回帰モデルを使用する。
アルツハイマー病進行モデルおよび集中治療単位(ICU)死亡率予測のためのデータを用いて,多変量時系列回帰タスクに適用した。
論文 参考訳（メタデータ） (2021-04-08T12:43:44Z)
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。