論文の概要: Attention to Warp: Deep Metric Learning for Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2103.15074v1
- Date: Sun, 28 Mar 2021 07:54:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 15:03:51.306352
- Title: Attention to Warp: Deep Metric Learning for Multivariate Time Series
- Title(参考訳): warpへの注意:多変量時系列のためのディープメトリック学習
- Authors: Shinnosuke Matsuo, Xiaomeng Wu, Gantugs Atarsaikhan, Akisato Kimura,
Kunio Kashino, Brian Kenji Iwana, Seiichi Uchida
- Abstract要約: 本稿では,堅牢かつ識別性のある時系列分類と検証のためのニューラルネットワークに基づく新しい手法を提案する。
従来の非パラメトリックモデルや深層モデルよりも,提案手法の優位性を実験的に実証した。
- 参考スコア(独自算出の注目度): 28.540348999309547
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep time series metric learning is challenging due to the difficult
trade-off between temporal invariance to nonlinear distortion and
discriminative power in identifying non-matching sequences. This paper proposes
a novel neural network-based approach for robust yet discriminative time series
classification and verification. This approach adapts a parameterized attention
model to time warping for greater and more adaptive temporal invariance. It is
robust against not only local but also large global distortions, so that even
matching pairs that do not satisfy the monotonicity, continuity, and boundary
conditions can still be successfully identified. Learning of this model is
further guided by dynamic time warping to impose temporal constraints for
stabilized training and higher discriminative power. It can learn to augment
the inter-class variation through warping, so that similar but different
classes can be effectively distinguished. We experimentally demonstrate the
superiority of the proposed approach over previous non-parametric and deep
models by combining it with a deep online signature verification framework,
after confirming its promising behavior in single-letter handwriting
classification on the Unipen dataset.
- Abstract(参考訳): ディープ時系列計量学習は、非マッチングシーケンスを識別する際の時間的不変性と非線形歪みとのトレードオフが難しいため、困難である。
本稿では,ロバストだが判別可能な時系列分類と検証のためのニューラルネットワークに基づく新しい手法を提案する。
このアプローチは、より大きく適応的な時間的不変性に対して、パラメータ化された注意モデルを時間歪みに適応させる。
局所的だけでなく大きな大域的歪みにも頑健であり、一調性、連続性、境界条件を満たさない対でさえもうまく同定できる。
このモデルの学習は動的時間ワープによってさらに誘導され、安定したトレーニングと高い差別力のための時間的制約が課される。
ウォーピングによってクラス間のバリエーションを増強し、類似しているが異なるクラスを効果的に区別することができる。
提案手法は,Unipenデータセット上のシングルレター手書き分類において有望な動作を確認した後,オンライン署名検証フレームワークと組み合わせることで,従来の非パラメトリック・ディープモデルよりも優れていることを示す。
関連論文リスト
- Contrastive Learning Is Not Optimal for Quasiperiodic Time Series [4.2807943283312095]
本稿では,ほぼ周期時間系列(DEAPS)の蒸留埋め込みについて紹介する。
DEAPSは、心電図(ECG)データなどの準周期時系列に適した非コントラスト法である。
機械学習(ML)モデルに適合するアノテートレコードがわずかに提示された場合,既存のSOTAメソッドよりも10%向上したことを示す。
論文 参考訳(メタデータ) (2024-07-24T08:02:41Z) - 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) - Diffeomorphic Transformations for Time Series Analysis: An Efficient
Approach to Nonlinear Warping [0.0]
多くの分野にわたる時間データの拡散と普遍性は、類似性、分類、クラスタリング手法への関心を喚起した。
ユークリッドのような伝統的な距離測度は、時間に依存したデータの性質のため適していない。
この論文は、パラメトリックおよび微分同相のワープ変換を用いる新しい弾性アライメント法を提案する。
論文 参考訳(メタデータ) (2023-09-25T10:51:47Z) - Deep Attentive Time Warping [22.411355064531143]
タスク適応時間ワープのためのニューラルネットワークモデルを提案する。
我々は、バイパーティイトアテンションモデルと呼ばれるアテンションモデルを用いて、明示的な時間ゆらぎメカニズムを開発する。
DTWをワープに使用する他の学習可能なモデルとは異なり、我々のモデルは2つの時系列間のすべての局所的対応を予測する。
論文 参考訳(メタデータ) (2023-09-13T04:49:49Z) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳(メタデータ) (2023-08-18T04:45:56Z) - Persistence-Based Discretization for Learning Discrete Event Systems
from Time Series [50.591267188664666]
Persistは、永続化スコアと呼ばれるスコアを使用して永続的なシンボルを作成するための離散化手法である。
パーシステンススコアで用いられる計量であるクルバック・リーブラーの発散をワッサーシュタイン距離に置き換える。
実験により、改善された永続化スコアは、パーシストが元の時系列の情報を取得する能力を高めることが示されている。
論文 参考訳(メタデータ) (2023-01-12T14:10:30Z) - 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) - TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。
本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
論文 参考訳(メタデータ) (2022-02-16T09:40:13Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳(メタデータ) (2021-09-27T01:09:08Z) - Contrastive learning of strong-mixing continuous-time stochastic
processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。
拡散の場合,小~中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文 参考訳(メタデータ) (2021-03-03T23:06:47Z) - Learning from Irregularly-Sampled Time Series: A Missing Data
Perspective [18.493394650508044]
不規則にサンプリングされた時系列は、医療を含む多くの領域で発生する。
連続だが観測されていない関数からサンプリングされた指数値対の列として、不規則にサンプリングされた時系列データをモデル化する。
本稿では,変分オートエンコーダと生成対向ネットワークに基づく学習手法を提案する。
論文 参考訳(メタデータ) (2020-08-17T20:01:55Z)
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。