論文の概要: Learnable Dynamic Temporal Pooling for Time Series Classification
- arxiv url: http://arxiv.org/abs/2104.02577v1
- Date: Fri, 2 Apr 2021 08:58:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 06:26:44.992948
- Title: Learnable Dynamic Temporal Pooling for Time Series Classification
- Title（参考訳）: 時系列分類のための動的時間プールの学習
- Authors: Dongha Lee, Seonghyeon Lee, Hwanjo Yu
- Abstract要約: 本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。
時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。
完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
- 参考スコア（独自算出の注目度）: 22.931314501371805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increase of available time series data, predicting their class
labels has been one of the most important challenges in a wide range of
disciplines. Recent studies on time series classification show that
convolutional neural networks (CNN) achieved the state-of-the-art performance
as a single classifier. In this work, pointing out that the global pooling
layer that is usually adopted by existing CNN classifiers discards the temporal
information of high-level features, we present a dynamic temporal pooling (DTP)
technique that reduces the temporal size of hidden representations by
aggregating the features at the segment-level. For the partition of a whole
series into multiple segments, we utilize dynamic time warping (DTW) to align
each time point in a temporal order with the prototypical features of the
segments, which can be optimized simultaneously with the network parameters of
CNN classifiers. The DTP layer combined with a fully-connected layer helps to
extract further discriminative features considering their temporal position
within an input time series. Extensive experiments on both univariate and
multivariate time series datasets show that our proposed pooling significantly
improves the classification performance.
- Abstract（参考訳）: 利用可能な時系列データの増加に伴い、クラスラベルの予測は、幅広い分野において最も重要な課題の1つとなっている。
最近の時系列分類研究では、畳み込みニューラルネットワーク(cnn)が単一の分類器として最先端のパフォーマンスを達成した。
本稿では,既存のCNN分類器が採用するグローバルプール層が高次特徴の時間的情報を捨てていることを指摘し,セグメントレベルの特徴を集約することで隠蔽表現の時間的サイズを低減する動的時間的プーリング(DTP)技術を提案する。
時系列全体を複数のセグメントに分割するために、動的時間ワープ(DTW)を用いて、各タイムポイントを時間順に調整し、セグメントの原型的特徴をCNN分類器のネットワークパラメータと同時に最適化する。
完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴の抽出に役立つ。
単変量および多変量時系列データセットの多変量実験により,提案したプールは分類性能を大幅に向上することが示された。
関連論文リスト
- Hierarchical Multimodal LLMs with Semantic Space Alignment for Enhanced Time Series Classification [4.5939667818289385]
HiTimeは階層的なマルチモーダルモデルであり、時間的情報を大きな言語モデルにシームレスに統合する。
本研究は, 時間的特徴をLCMに組み込むことにより, 時系列解析の進歩に寄与する可能性が示唆された。
論文 参考訳（メタデータ） (2024-10-24T12:32:19Z) - 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) - Temporal-aware Hierarchical Mask Classification for Video Semantic
Segmentation [62.275143240798236]
ビデオセマンティックセグメンテーションデータセットは、ビデオ毎のカテゴリが限られている。
VSSトレーニング中に意味のある勾配更新を受けるために、クエリの10%未満がマッチする可能性がある。
提案手法は,最新のVSSベンチマークVSPWにおいてベルやホイッスルを使わずに,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-09-14T20:31:06Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time
Series Classification [6.76723360505692]
未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。
26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
論文 参考訳（メタデータ） (2023-04-11T09:21:28Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳（メタデータ） (2023-02-20T07:46:14Z) - DCSF: Deep Convolutional Set Functions for Classification of
Asynchronous Time Series [5.339109578928972]
非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。
本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。
我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
論文 参考訳（メタデータ） (2022-08-24T08:47:36Z) - 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) - Convolutional Neural Networks for Time-dependent Classification of
Variable-length Time Series [4.068599332377799]
時系列データは、観測過程の中断により、限られた時間範囲内でのみ取得されることが多い。
このような部分的時系列を分類するには、1)異なるタイムスタンプから引き出された可変長のデータを考慮する必要がある。
既存の畳み込みニューラルネットワークは、畳み込み後のグローバルプールを使用して長さ差をキャンセルする。
このアーキテクチャは、時間的相関関係全体を長いデータに組み込むことと、短いデータの特徴的崩壊を避けることのトレードオフに悩まされる。
論文 参考訳（メタデータ） (2022-07-08T07:15:13Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z)
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。