論文の概要: Deep Time Series Models for Scarce Data
- arxiv url: http://arxiv.org/abs/2103.09348v1
- Date: Tue, 16 Mar 2021 22:16:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 12:56:59.087176
- Title: Deep Time Series Models for Scarce Data
- Title(参考訳): 希少データのための深部時系列モデル
- Authors: Qiyao Wang, Ahmed Farahat, Chetan Gupta, Shuai Zheng
- Abstract要約: 時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。
データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
- 参考スコア(独自算出の注目度): 8.673181404172963
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Time series data have grown at an explosive rate in numerous domains and have
stimulated a surge of time series modeling research. A comprehensive comparison
of different time series models, for a considered data analytics task, provides
useful guidance on model selection for data analytics practitioners. Data
scarcity is a universal issue that occurs in a vast range of data analytics
problems, due to the high costs associated with collecting, generating, and
labeling data as well as some data quality issues such as missing data. In this
paper, we focus on the temporal classification/regression problem that attempts
to build a mathematical mapping from multivariate time series inputs to a
discrete class label or a real-valued response variable. For this specific
problem, we identify two types of scarce data: scarce data with small samples
and scarce data with sparsely and irregularly observed time series covariates.
Observing that all existing works are incapable of utilizing the sparse time
series inputs for proper modeling building, we propose a model called sparse
functional multilayer perceptron (SFMLP) for handling the sparsity in the time
series covariates. The effectiveness of the proposed SFMLP under each of the
two types of data scarcity, in comparison with the conventional deep sequential
learning models (e.g., Recurrent Neural Network, and Long Short-Term Memory),
is investigated through mathematical arguments and numerical experiments.
- Abstract(参考訳): 時系列データは多くの領域で爆発的な速度で成長し、時系列モデリングの研究が急増している。
データ分析タスクとして、さまざまな時系列モデルの包括的な比較は、データ分析実践者のためのモデル選択に関する有用なガイダンスを提供する。
データ不足は、データの収集、生成、ラベリングに関連する高いコストと、データ欠落などのデータ品質の問題によって、幅広いデータ分析問題で発生する普遍的な問題である。
本稿では,多変量時系列入力から離散クラスラベルや実数値応答変数への数学的マッピングを構築するための時間的分類/回帰問題に焦点を当てる。
そこで本研究では,小サンプルの不足データと,わずかかつ不規則に観測された時系列共変量の不足データという,2種類の不足データを特定する。
そこで本研究では,すべての既存作業がスパース時系列入力を適切にモデル化するために利用できないことを確認し,時系列共変器の疎度を扱うために,スパース関数型多層パーセプトロン(SFMLP)と呼ばれるモデルを提案する。
従来の深層逐次学習モデル(recurrent neural network, long short-term memoryなど)と比較し,この2種類のデータ不足に対するsfmlpの有効性を数学的考察と数値実験により検討した。
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) - Development of a Neural Network-based Method for Improved Imputation of
Missing Values in Time Series Data by Repurposing DataWig [1.8719295298860394]
時系列データの欠落は頻繁に発生し、成功した分析に障害を与える。
時系列データの堅牢な計算のために様々な手法が試みられているが、最も先進的な手法でさえもまだ課題に直面している。
大規模なデータセットを処理する能力を持つニューラルネットワークベースの方法であるDataWigを修正して、tsDataWig(時系列データウィグ)を開発しました。
元のDataWigとは異なり、tsDataWigは時間変数の値を直接処理し、複雑な時間で欠落した値をインプットする。
論文 参考訳(メタデータ) (2023-08-18T15:53:40Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-09-30T20:01:19Z) - On the Efficacy of Adversarial Data Collection for Question Answering:
Results from a Large-Scale Randomized Study [65.17429512679695]
逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。
ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
論文 参考訳(メタデータ) (2021-06-02T00:48:33Z) - Adjusting for Autocorrelated Errors in Neural Networks for Time Series
Regression and Forecasting [10.659189276058948]
我々は,自己相関係数をモデルパラメータと組み合わせて学習し,自己相関誤差の補正を行う。
時系列回帰では,大規模な実験により,本手法がPrais-Winsten法より優れていることが示された。
実世界の幅広いデータセットを対象とした結果から,ほぼすべてのケースにおいて,本手法が性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2021-01-28T04:25:51Z) - A Non-linear Function-on-Function Model for Regression with Time Series
Data [11.738565299608721]
本稿では,関数-オン-ファンクショナル・リニア・モデルを採用した一般関数写像を提案する。
次に、完全連結ニューラルネットワークを用いた非線形関数オン・ファンクションモデルを提案し、データからマッピングを学習する。
提案手法の有効性を実世界の2つの問題に適用することで実証する。
論文 参考訳(メタデータ) (2020-11-24T20:51:27Z) - Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。
ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。
我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
論文 参考訳(メタデータ) (2020-11-23T11:57:27Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。