論文の概要: SliceNStitch: Continuous CP Decomposition of Sparse Tensor Streams

• arxiv url: http://arxiv.org/abs/2102.11517v1
• Date: Tue, 23 Feb 2021 06:28:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:45:38.018584
• Title: SliceNStitch: Continuous CP Decomposition of Sparse Tensor Streams
• Title（参考訳）: SliceNStitch: スパーステンソルストリームの連続CP分解
• Authors: Taehyung Kwon, Inkyu Park, Dongjin Lee, and Kijung Shin
• Abstract要約: 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%)。
• 参考スコア（独自算出の注目度）: 22.348422397331984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consider traffic data (i.e., triplets in the form of source-destination-timestamp) that grow over time. Tensors (i.e., multi-dimensional arrays) with a time mode are widely used for modeling and analyzing such multi-aspect data streams. In such tensors, however, new entries are added only once per period, which is often an hour, a day, or even a year. This discreteness of tensors has limited their usage for real-time applications, where new data should be analyzed instantly as it arrives. How can we analyze time-evolving multi-aspect sparse data 'continuously' using tensors where time is'discrete'? We propose SLICENSTITCH for continuous CANDECOMP/PARAFAC (CP) decomposition, which has numerous time-critical applications, including anomaly detection, recommender systems, and stock market prediction. SLICENSTITCH changes the starting point of each period adaptively, based on the current time, and updates factor matrices (i.e., outputs of CP decomposition) instantly as new data arrives. We show, theoretically and experimentally, that SLICENSTITCH is (1) 'Any time': updating factor matrices immediately without having to wait until the current time period ends, (2) Fast: with constant-time updates up to 759x faster than online methods, and (3) Accurate: with fitness comparable (specifically, 72 ~ 160%) to offline methods.
• Abstract（参考訳）: 時間とともに増加するトラフィックデータ(すなわち、ソース・デスティネーション・タイムスタンプの形でトリプレット)を考える。 時間モードを持つテンソル(すなわち多次元配列)は、このようなマルチスペクトルデータストリームのモデリングと解析に広く使われている。 しかし、そのようなテンソルでは、新しいエントリは周期ごとに1回だけ追加され、これはしばしば1時間、1日、あるいは1年である。 このようなテンソルの離散性は、新しいデータが到着すると即座に分析されるべきリアルタイムアプリケーションの使用を制限している。 時間的変化を伴うマルチスペクトルスパースデータをテンソルを用いて「連続的」に解析する方法 我々は,異常検出,レコメンデータシステム,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を有する連続的candecomp/parafac分解のためのスライスストッチを提案する。 SLICENSTITCHは、現在の時間に基づいて各期間の開始点を適応的に変更し、新しいデータが到着するとすぐに因子行列(CP分解の出力)を更新します。 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、すぐに因子行列を更新すること、(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フィットネス(特に72〜160%)。

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)
• Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
  TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。 また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
  論文  参考訳（メタデータ） (2023-09-16T16:52:49Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Fast and Accurate Dual-Way Streaming PARAFAC2 for Irregular Tensors -- Algorithm and Application [25.241802754640958]
  そこで我々はDashを提案する。Dashは、双方向ストリーミング環境で動作する、効率的かつ正確なPARAFAC2分解法である。 Dashは、新たに到着したデータに対する既存のPARAFAC2分解手法よりも14.0倍高速である。 また、サブプライム・モルトゲージ危機やCOVID-19など、現実世界のデータセットの異常を検出するための発見も提供します。
  論文  参考訳（メタデータ） (2023-05-28T05:56:47Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Nonparametric Factor Trajectory Learning for Dynamic Tensor Decomposition [20.55025648415664]
  動的テンソル分解(NONFAT)のためのNON FActor Trajectory Learningを提案する。 我々は第2レベルのGPを用いてエントリ値をサンプリングし、エンティティ間の時間的関係をキャプチャする。 実世界のいくつかの応用において,本手法の利点を示した。
  論文  参考訳（メタデータ） (2022-07-06T05:33:00Z)
• Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection [9.067182100565695]
  本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。 劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。 本手法は, 合成データと乗客フロー時系列を用いて評価する。
  論文  参考訳（メタデータ） (2021-10-08T19:35:39Z)
• 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)
• 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)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。