論文の概要: Elastic Similarity Measures for Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2102.10231v1
• Date: Sat, 20 Feb 2021 02:24:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:16:14.511250
• Title: Elastic Similarity Measures for Multivariate Time Series Classification
• Title（参考訳）: 多変量時系列分類のための弾性類似性尺度
• Authors: Ahmed Shifaz, Charlotte Pelletier, Francois Petitjean, Geoffrey I. Webb
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.5669999076671655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Elastic similarity measures are a class of similarity measures specifically designed to work with time series data. When scoring the similarity between two time series, they allow points that do not correspond in timestamps to be aligned. This can compensate for misalignments in the time axis of time series data, and for similar processes that proceed at variable and differing paces. Elastic similarity measures are widely used in machine learning tasks such as classification, clustering and outlier detection when using time series data. There is a multitude of research on various univariate elastic similarity measures. However, except for multivariate versions of the well known Dynamic Time Warping (DTW) there is a lack of work to generalise other similarity measures for multivariate cases. This paper adapts two existing strategies used in multivariate DTW, namely, Independent and Dependent DTW, to several commonly used elastic similarity measures. Using 23 datasets from the University of East Anglia (UEA) multivariate archive, for nearest neighbour classification, we demonstrate that each measure outperforms all others on at least one dataset and that there are datasets for which either the dependent versions of all measures are more accurate than their independent counterparts or vice versa. This latter finding suggests that these differences arise from a fundamental property of the data. We also show that an ensemble of such nearest neighbour classifiers is highly competitive with other state-of-the-art multivariate time series classifiers.
• Abstract（参考訳）: 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。 2つの時系列の類似性をスコアすると、タイムスタンプに一致しない点を並べることができる。 これは時系列データの時間軸におけるミスアライメントや、変化と異なるペースで進行する類似のプロセスに補償することができる。 弾性類似度測定は、時系列データを使用する際に、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る。 様々な単変量弾性類似度尺度に関する数多くの研究がある。 しかし、よく知られたDynamic Time Warping(DTW)の多変量バージョンを除いて、多変量ケースの他の類似度尺度を一般化する作業は不足している。 本稿では,多変量 DTW における2つの既存の戦略,すなわち Independent と Dependent DTW を,いくつかの一般的な弾性類似度尺度に適応する。 東アングリア大学(uea)の多変量アーカイブ(multivariate archive)の23のデータセットを用いて、各指標が少なくとも1つのデータセットで他のすべての指標よりも優れており、すべての尺度の従属バージョンが独立した尺度よりも正確であるか、あるいはその逆であることを示す。 後者の発見は、これらの違いがデータの基本的な特性から生じることを示唆している。 また,このような最寄りの分類器のアンサンブルが,他の最先端の多変量時系列分類器と高い競合性を示す。

関連論文リスト

• 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)
• 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)
• 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)
• Free congruence: an exploration of expanded similarity measures for time series data [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-17T23:34:55Z)
• A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression [2.639737913330821]
  本研究では,1波長のみを考慮した場合,動的時間ワープ(DTW)が回帰作業の精度向上に有効であることを示す。 k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。 しかし、この問題では、このデータは波長の広い範囲で利用できると考えている。
  論文  参考訳（メタデータ） (2020-10-11T15:21:21Z)
• 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)
• A Deep Structural Model for Analyzing Correlated Multivariate Time Series [11.009809732645888]
  相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。 モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。 我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
  論文  参考訳（メタデータ） (2020-01-02T18:48:29Z)

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。