論文の概要: Free congruence: an exploration of expanded similarity measures for time series data

• arxiv url: http://arxiv.org/abs/2101.08659v1
• Date: Sun, 17 Jan 2021 23:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 20:57:18.352363
• Title: Free congruence: an exploration of expanded similarity measures for time series data
• Title（参考訳）: free congruence:時系列データに対する拡張された類似性尺度の探索
• Authors: Lucas Cassiel Jacaruso
• Abstract要約: 時系列の類似度測定は、機械学習モデルのトレーニング、分類、予測モデリングなど、さまざまな新興アプリケーションで非常に関係がある。 時系列の標準類似度尺度は、しばしばユークリッド距離や動的時間ゆがみを含む点対点距離尺度を含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series similarity measures are highly relevant in a wide range of emerging applications including training machine learning models, classification, and predictive modeling. Standard similarity measures for time series most often involve point-to-point distance measures including Euclidean distance and Dynamic Time Warping. Such similarity measures fundamentally require the fluctuation of values in the time series being compared to follow a corresponding order or cadence for similarity to be established. This paper is spurred by the exploration of a broader definition of similarity, namely one that takes into account the sheer numerical resemblance between sets of statistical properties for time series segments irrespectively of value labeling. Further, the presence of common pattern components between time series segments was examined even if they occur in a permuted order, which would not necessarily satisfy the criteria of more conventional point-to-point distance measures. Results were compared with those of Dynamic Time Warping on the same data for context. Surprisingly, the test for the numerical resemblance between sets of statistical properties established a stronger resemblance for pairings of decline years with greater statistical significance than Dynamic Time Warping on the particular data and sample size used.
• Abstract（参考訳）: 時系列の類似度測定は、機械学習モデルのトレーニング、分類、予測モデリングなど、さまざまな新興アプリケーションで非常に関係がある。 時系列の標準類似度尺度は、しばしばユークリッド距離や動的時間ゆがみを含む点対点距離尺度を含む。 このような類似性尺度は、時系列における値の変動を基本的に必要とし、類似性を確立するための対応する順序やケイデンスに従う。 この論文は、より広い類似性の定義、すなわち、値ラベリングによらず時系列セグメントの統計特性の集合間の厳密な数値的類似性を考慮することによるものである。 さらに, 時系列区間間の共通パターン成分の存在を, 順に変化しても検討し, 従来型の点間距離測定の基準を必ずしも満たさないことを示した。 結果は、同じデータに対するDynamic Time Warpingの結果と比較された。 驚くべきことに、統計特性のセット間の数値的類似性テストは、特定のデータと使用するサンプルサイズに対する動的時間ウォーピングよりも大きな統計的重要性を持つ、減少年数のペアリングのより強い類似性を確立した。

関連論文リスト

• TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights [17.036869735103835]
  本稿では,TS3IM(Structured similarity Index Measure for Time Series)を紹介する。 TS3IMは画像解析における構造類似度指標(Structuor similarity Index Measure, SSIM)の成功に触発された。 実験の結果, TS3IMは動的時間ワープ(DTW)の1.87倍の精度を示し, 対角認識では50%以上改善した。
  論文  参考訳（メタデータ） (2024-05-10T04:00:50Z)
• 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)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend [4.6380010540165655]
  そこで,同時期に発生し,容易に解釈可能な類似の傾向を求める尺度を開発した。 本稿では,時系列の解釈可能な「閉鎖性保存」行列表現を生成する新しい尺度DTW+Sを提案する。 DTW+Sは,ベースラインと比較して優れたクラスタリングを実現できる唯一の尺度であることを示す。
  論文  参考訳（メタデータ） (2023-09-07T09:18:12Z)
• 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)
• 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)
• 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)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Elastic Similarity Measures for Multivariate Time Series Classification [4.5669999076671655]
  弾性類似度測定は、時系列データで動作するように特別に設計された類似度測定のクラスです。 弾性類似度測定は、分類、クラスタリング、外れ値検出などの機械学習タスクで広く使用されている。
  論文  参考訳（メタデータ） (2021-02-20T02:24:33Z)

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。