論文の概要: Robust Factorization of Real-world Tensor Streams with Patterns, Missing Values, and Outliers

• arxiv url: http://arxiv.org/abs/2102.08466v1
• Date: Tue, 16 Feb 2021 22:01:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:29:39.416019
• Title: Robust Factorization of Real-world Tensor Streams with Patterns, Missing Values, and Outliers
• Title（参考訳）: パターン, 欠落値, 外れ値をもつ実世界のテンソルストリームのロバスト因子化
• Authors: Dongjin Lee and Kijung Shin
• Abstract要約: SOFIAは、実世界のテンソルストリームの堅牢なファクタリゼーション方法です。 実験的に、SOFIAは(a)堅牢かつ正確であり、インピーダンス誤差が最大76%、予測誤差が71%、(b)高速:2番目に正確な競合相手よりも935倍速く、(c)スケーラブル:時間ステップあたりの新規エントリ数で線形にスケーリングできることを示した。
• 参考スコア（独自算出の注目度）: 16.983159978938964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consider multiple seasonal time series being collected in real-time, in the form of a tensor stream. Real-world tensor streams often include missing entries (e.g., due to network disconnection) and at the same time unexpected outliers (e.g., due to system errors). Given such a real-world tensor stream, how can we estimate missing entries and predict future evolution accurately in real-time? In this work, we answer this question by introducing SOFIA, a robust factorization method for real-world tensor streams. In a nutshell, SOFIA smoothly and tightly integrates tensor factorization, outlier removal, and temporal-pattern detection, which naturally reinforce each other. Moreover, SOFIA integrates them in linear time, in an online manner, despite the presence of missing entries. We experimentally show that SOFIA is (a) robust and accurate: yielding up to 76% lower imputation error and 71% lower forecasting error; (b) fast: up to 935X faster than the second-most accurate competitor; and (c) scalable: scaling linearly with the number of new entries per time step.
• Abstract（参考訳）: 複数の季節の時系列をテンソルストリームの形でリアルタイムに収集することを検討する。 現実世界のテンソルストリームには、しばしば欠落したエントリ(例えば、ネットワーク切断による)と予期しない外れ値(例えば、システムエラーによる)が含まれる。 このような実世界のテンソルストリームを考えると、どうやって欠落したエントリを推定し、リアルタイムに将来の進化を正確に予測できるのか? 本稿では,実世界のテンソルストリームに対するロバストな因子分解手法であるsofiaを紹介する。 簡単に言うと、SOFIAはスムーズかつ緊密にテンソル因子化、アウトリーチ除去、時間パターン検出を統合し、互いに自然に強化する。 さらに、SOFIAは、欠落したエントリがあるにもかかわらず、それらをオンライン的に線形時間で統合する。 実験的に、SOFIAは(a)堅牢かつ正確であり、インピーダンス誤差が最大76%、予測誤差が71%、(b)高速:2番目に正確な競合相手よりも935倍速く、(c)スケーラブル:時間ステップあたりの新規エントリ数で線形にスケーリングできることを示した。

関連論文リスト

• Streaming Factor Trajectory Learning for Temporal Tensor Decomposition [33.18423605559094]
  時相テンソル分解のためのストリーム係数軌道学習を提案する。 我々はガウス過程(GP)を用いて因子の軌道をモデル化し、その時間的進化を柔軟に推定する。 合成タスクと実世界のアプリケーションの両方において、SFTLの利点を示してきた。
  論文  参考訳（メタデータ） (2023-10-25T21:58:52Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Multi-Dictionary Tensor Decomposition [5.733331864416094]
  MDTD(Multi-Dictionary Decomposition)のためのフレームワークを提案する。 我々は、完全な入力と入力の両方を欠落した値で処理する、MDTDの一般的な最適化アルゴリズムを導出する。 何十億ものテンソルの欠落した値を、最先端の競合相手よりも正確かつ精巧に説明することができる。
  論文  参考訳（メタデータ） (2023-09-18T12:31:56Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Multi-version Tensor Completion for Time-delayed Spatio-temporal Data [50.762087239885936]
  実世界の時間データは、様々なデータ読み込み遅延のために不完全または不正確な場合が多い。 経時的に更新を予測するための低ランクテンソルモデルを提案する。 最良基準法に比べて最大27.2%低いルート平均二乗誤差が得られる。
  論文  参考訳（メタデータ） (2021-05-11T19:55:56Z)
• SliceNStitch: Continuous CP Decomposition of Sparse Tensor Streams [22.348422397331984]
  連続CANDECOMP/PARAFAC分解用SLICENSTITCHを提案します。 異常検知、レコメンダーシステム、株式市場予測など、多くの時間クリティカルなアプリケーションがあります。 理論的および実験的に、SLICENSTITCHは(1)「任意の時間」:現在の時間期間が終了するまで待つことなく、すぐに因子を更新すること、(2)高速:オンラインメソッドよりも759倍速く、(3)正確:オフラインメソッドに匹敵する適合性(特に721%)。
  論文  参考訳（メタデータ） (2021-02-23T06:28:42Z)
• Time-Aware Tensor Decomposition for Missing Entry Prediction [14.61218681943499]
  不足エントリを持つ時間進化テンソルを考えると、不足エントリを正確に予測するために効果的に分解できるだろうか? 実世界のテンソルの新しいテンソル分解法であるTATD(Time-Aware Decomposition)を提案する。 TATDは時間テンソルを分解するための最先端の精度を提供する。
  論文  参考訳（メタデータ） (2020-12-16T10:52:34Z)
• Low-Rank Autoregressive Tensor Completion for Multivariate Time Series Forecasting [15.927264813606637]
  センサーネットワークから収集された時系列は、しばしば大規模なものであり、かなりの腐敗と欠落した値で不完全である。 多変量時系列データをモデル化するための低ランク自己回帰テンソル補完(LATC)フレームワークを提案する。 実世界の3つのデータセットに関する数値実験により,LATCにおけるグローバル・ローカル・トレンドの統合の優位性を示した。
  論文  参考訳（メタデータ） (2020-06-18T11:31:16Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

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。