論文の概要: Uncertain Time Series Classification With Shapelet Transform

• arxiv url: http://arxiv.org/abs/2102.02090v1
• Date: Wed, 3 Feb 2021 14:46:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 03:07:48.669900
• Title: Uncertain Time Series Classification With Shapelet Transform
• Title（参考訳）: シェイプレット変換による不確定時系列分類
• Authors: Michael Franklin Mbouopda and Engelbert Mephu Nguifo
• Abstract要約: 時系列分類は時系列データの分類を目的とした課題である。 ユークリッド距離に基づく新しい不確実な相似性尺度を提案する。 そこで,不確実な時系列の分類のための不確実な形状変換アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.4467794332678539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series classification is a task that aims at classifying chronological data. It is used in a diverse range of domains such as meteorology, medicine and physics. In the last decade, many algorithms have been built to perform this task with very appreciable accuracy. However, applications where time series have uncertainty has been under-explored. Using uncertainty propagation techniques, we propose a new uncertain dissimilarity measure based on Euclidean distance. We then propose the uncertain shapelet transform algorithm for the classification of uncertain time series. The large experiments we conducted on state of the art datasets show the effectiveness of our contribution. The source code of our contribution and the datasets we used are all available on a public repository.
• Abstract（参考訳）: 時系列分類は時系列データの分類を目的としたタスクである。 気象学、医学、物理学など様々な分野で用いられている。 過去10年間で、このタスクを実行するために多くのアルゴリズムが構築されています。 しかし、時系列が不確実性を持つアプリケーションは未検討である。 不確実性伝播法を用いて,ユークリッド距離に基づく新しい不確実性不一致測定法を提案する。 そこで,不確実な時系列の分類のための不確実な形状変換アルゴリズムを提案する。 アートデータセットの状態に関する大規模な実験は、我々の貢献の有効性を示している。 私たちのコントリビューションのソースコードと使用したデータセットは、すべて公開リポジトリで入手可能です。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端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） (2024-01-11T10:10:16Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
  TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。 本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2022-02-16T09:40:13Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier [0.0]
  我々は、最先端と見なされるアルゴリズムの複雑さが本当に必要かどうかを考察する。 最初に提案されたアプローチは、要約統計やその他の時系列特徴抽出アプローチの単純なパイプラインである。 我々はこれらの手法をUCC時系列データセットアーカイブ上でテストし、TSC文献がこれらの手法の有効性を見落としているかどうかを確認する。
  論文  参考訳（メタデータ） (2022-01-28T11:23:58Z)
• Time Series Data Mining Algorithms Towards Scalable and Real-Time Behavior Monitoring [1.0878040851638]
  センサから収集した弱いラベル付き時系列データにおいて,形状と特徴量の両方を用いて行動の分類を行うハイブリッドアルゴリズムを提案する。 我々のアルゴリズムは,形状と特徴の組み合わせに基づいて,実・雑音・複雑なデータセットを頑健に分類できることを実証する。
  論文  参考訳（メタデータ） (2021-12-26T11:13:52Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
  時系列データに対する様々なデータ拡張手法を体系的に検討する。 時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
  論文  参考訳（メタデータ） (2020-02-27T23:38:11Z)

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。