Fugu-MT 論文翻訳(概要): Fast discovery of multidimensional subsequences for robust trajectory classification

論文の概要: Fast discovery of multidimensional subsequences for robust trajectory classification

arxiv url: http://arxiv.org/abs/2102.04781v1
Date: Tue, 9 Feb 2021 11:54:33 GMT
ステータス: 処理完了
システム内更新日: 2021-02-10 14:58:18.527294
Title: Fast discovery of multidimensional subsequences for robust trajectory classification
Title（参考訳）: 強靭な軌道分類のための多次元サブシーケンスの高速発見
Authors: Tarlis Portela, Jonata Tyska, Vania Bogorny
Abstract要約: 軌道分類タスクは、毎日大量のモビリティデータが生成されるにつれて、より複雑になった。高速分類アルゴリズムは、実アプリケーションのための軌道データにおける知識を発見するのに不可欠である。本稿では,探索空間の削減とMASTERMovelets法の最適化により,サブトラジェクトリの高速発見法を提案する。
参考スコア（独自算出の注目度）: 0.2578242050187029
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory classification tasks became more complex as large volumes of mobility data are being generated every day and enriched with new sources of information, such as social networks and IoT sensors. Fast classification algorithms are essential for discovering knowledge in trajectory data for real applications. In this work we propose a method for fast discovery of subtrajectories with the reduction of the search space and the optimization of the MASTERMovelets method, which has proven to be effective for discovering interpretable patterns in classification problems.
Abstract（参考訳）: 毎日大量のモビリティデータが生成され、ソーシャルネットワークやIoTセンサーなどの新しい情報源が豊富なため、軌道分類タスクはより複雑になりました。高速分類アルゴリズムは実応用のための軌道データから知識を発見するのに不可欠である。本研究では,探索空間の削減とMASTERMovelets法の最適化により,サブトラジェクトリの高速発見法を提案し,分類問題における解釈可能なパターンの発見に有効であることが証明された。

関連論文リスト

Optimizing News Text Classification with Bi-LSTM and Attention Mechanism for Efficient Data Processing [4.523790140313845]
本稿では,ディープラーニングに基づくニューステキストの自動分類手法を提案する。高度な機械学習アルゴリズムを導入することにより、ニューステキストの効率的な分類と管理を実現する。ニュース業界の情報処理能力を向上させるために重要な実践的重要性を持っている。
論文参考訳（メタデータ） (2024-09-23T22:23:08Z)
Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文参考訳（メタデータ） (2024-03-21T05:57:27Z)
ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks [18.66289473659838]
本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。双方向ニューラルネットワークを用いて時間情報を学習する。
論文参考訳（メタデータ） (2023-05-10T22:15:40Z)
Demystifying Map Space Exploration for NPUs [4.817475305740601]
Map Space Explorationは、Deep Neural Network(DNN)モデルの最適化されたマッピングを見つける問題である。我々は、異なるマッパーが活用する検索技術について、第一級のリンゴとアプリの比較を行う。次に,既存のマッパーを拡張できる2つの新しい手法を提案する。
論文参考訳（メタデータ） (2022-10-07T17:58:45Z)
TraClets: Harnessing the power of computer vision for trajectory classification [0.9405458160620532]
この研究は、トラジェクトリを直感的な人間の方法で分類するために、トラジェクトリと呼ばれるトラジェクトリの画像表現を利用する。いくつかの実世界のデータセットを用いて提案手法を評価し、その分類性能を他の最先端軌跡分類アルゴリズムと比較する。
論文参考訳（メタデータ） (2022-05-27T10:28:05Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
商業用DLトラフィック分類エンジンでの経験を共有します。暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。 DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
論文参考訳（メタデータ） (2021-04-07T15:21:22Z)
Geo-Spatiotemporal Features and Shape-Based Prior Knowledge for Fine-grained Imbalanced Data Classification [63.916371837696396]
細粒度分類は、類似のグローバル知覚とパターンを持つ項目を区別することを目的としているが、細部によって異なる。私たちの主な課題は、小さなクラス間バリエーションと大きなクラス内バリエーションの両方から来ています。我々は,野生生物の利用事例における細粒度分類を改善するため,いくつかの革新を組み合わせることを提案する。
論文参考訳（メタデータ） (2021-03-21T02:01:38Z)
ReliefE: Feature Ranking in High-dimensional Spaces via Manifold Embeddings [0.0]
リリーフ・ファミリのアルゴリズムは、最も重要で無関係なインスタンスを反復的に計算することで、機能に重要性を割り当てる。最近の埋め込みベース手法はコンパクトな低次元表現を学習する。 ReliefEアルゴリズムは高速で、機能ランキングが向上する可能性がある。
論文参考訳（メタデータ） (2021-01-23T20:23:31Z)
AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2020-06-19T18:57:51Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。