論文の概要: Classification of multivariate weakly-labelled time-series with
attention
- arxiv url: http://arxiv.org/abs/2102.08245v1
- Date: Tue, 16 Feb 2021 16:05:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-02-18 15:38:07.064718
- Title: Classification of multivariate weakly-labelled time-series with
attention
- Title（参考訳）: 多変量弱ラベル時系列の分類と注目
- Authors: Surayez Rahman, Chang Wei Tan
- Abstract要約: 弱いラベル付き時系列は、ノイズと重大な冗長性を含む時系列である。
本稿では,サブシーケンスの文脈関連を活用し,分類精度を向上させる手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research identifies a gap in weakly-labelled multivariate time-series
classification (TSC), where state-of-the-art TSC models do not per-form well.
Weakly labelled time-series are time-series containing noise and significant
redundancies. In response to this gap, this paper proposes an approach of
exploiting context relevance of subsequences from previous subsequences to
improve classification accuracy. To achieve this, state-of-the-art Attention
algorithms are experimented in combination with the top CNN models for TSC (FCN
and ResNet), in an CNN-LSTM architecture. Attention is a popular strategy for
context extraction with exceptional performance in modern sequence-to-sequence
tasks. This paper shows how attention algorithms can be used for improved
weakly labelledTSC by evaluating models on a multivariate EEG time-series
dataset obtained using a commercial Emotiv headsets from participants
performing various activities while driving. These time-series are segmented
into sub-sequences and labelled to allow supervised TSC.
- Abstract（参考訳）: 本研究は, 最先端のTSCモデルでは形状がよくない弱い多変量時系列分類(TSC)におけるギャップを明らかにする。
弱いラベル付き時系列は、ノイズと重大な冗長性を含む時系列である。
このギャップに対応するために,従来のサブシーケンスからのサブシーケンスのコンテキスト関連性を利用して分類精度を向上させる手法を提案する。
これを実現するために、最先端のアテンションアルゴリズムとTLC(FCNとResNet)の上位CNNモデルの組み合わせをCNN-LSTMアーキテクチャで実験する。
注意は、現代のシーケンスからシーケンスへのタスクで優れたパフォーマンスを持つコンテキスト抽出のための一般的な戦略です。
本稿では,商業用Emotivヘッドセットを用いて得られた多変量脳波時系列データセット上で,走行中の様々な活動を行う参加者からモデルを評価することにより,弱ラベル化TSCの改善に注意アルゴリズムをいかに利用できるかを示す。
これらの時系列はサブシーケンスに分割され、教師付きTSCを可能にするためにラベル付けされる。
関連論文リスト
- MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。
マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。
主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-03-11T11:40:14Z) - ECRTime: Ensemble Integration of Classification and Retrieval for Time Series Classification [6.058649579669944]
112のUCRデータセットに対する実験結果から、ECRは既存のディープラーニングベースの手法と比較して最先端(ソータ)であることが示された。
ECRTimeは、現在最も正確なディープラーニング分類器であるInceptionTimeを精度で上回っている。
論文 参考訳（メタデータ） (2024-07-20T03:17:23Z) - TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。
TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。
TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
論文 参考訳（メタデータ） (2024-06-18T16:07:33Z) - Concrete Dense Network for Long-Sequence Time Series Clustering [4.307648859471193]
時系列クラスタリングは、時間的パターンを発見するためのデータ分析において基本である。
深部時間クラスタリング手法は、ニューラルネットワークのエンドツーエンドトレーニングに標準k平均を組み込もうとしている。
LoSTerは、時系列クラスタリング問題に対する新しい密集型オートエンコーダアーキテクチャである。
論文 参考訳（メタデータ） (2024-05-08T12:31:35Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - 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) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳（メタデータ） (2023-02-20T07:46:14Z) - Enhancing Multivariate Time Series Classifiers through Self-Attention
and Relative Positioning Infusion [4.18804572788063]
時系列分類(TSC)は、多くのビジュアルコンピューティングアプリケーションにとって重要かつ困難な課題である。
本稿では,深層学習に基づくTSCアプローチを強化する2つの新しいアテンションブロックを提案する。
提案するアテンションブロックを追加することで,ベースモデルの平均精度が最大3.6%向上することを示す。
論文 参考訳（メタデータ） (2023-02-13T20:50:34Z) - DCSF: Deep Convolutional Set Functions for Classification of
Asynchronous Time Series [5.339109578928972]
非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。
本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。
我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
論文 参考訳（メタデータ） (2022-08-24T08:47:36Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。
時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。
完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
論文 参考訳（メタデータ） (2021-04-02T08:58:44Z) - Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。
近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。
本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T15:56:40Z)
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。