論文の概要: PSEUDo: Interactive Pattern Search in Multivariate Time Series with
Locality-Sensitive Hashing and Relevance Feedback
- arxiv url: http://arxiv.org/abs/2104.14962v1
- Date: Fri, 30 Apr 2021 13:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 20:17:25.268864
- Title: PSEUDo: Interactive Pattern Search in Multivariate Time Series with
Locality-Sensitive Hashing and Relevance Feedback
- Title（参考訳）: PSEUDo: 局所感性ハッシュと関連フィードバックを用いた多変量時系列の対話型パターン探索
- Authors: Yuncong Yu, Dylan Kruyff, Tim Becker, Michael Behrisch
- Abstract要約: PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。
提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。
我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
- 参考スコア（独自算出の注目度）: 3.347485580830609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present PSEUDo, an adaptive feature learning technique for exploring
visual patterns in multi-track sequential data. Our approach is designed with
the primary focus to overcome the uneconomic retraining requirements and
inflexible representation learning in current deep learning-based systems.
Multi-track time series data are generated on an unprecedented scale due to
increased sensors and data storage. These datasets hold valuable patterns, like
in neuromarketing, where researchers try to link patterns in multivariate
sequential data from physiological sensors to the purchase behavior of products
and services. But a lack of ground truth and high variance make automatic
pattern detection unreliable. Our advancements are based on a novel query-aware
locality-sensitive hashing technique to create a feature-based representation
of multivariate time series windows. Most importantly, our algorithm features
sub-linear training and inference time. We can even accomplish both the
modeling and comparison of 10,000 different 64-track time series, each with 100
time steps (a typical EEG dataset) under 0.8 seconds. This performance gain
allows for a rapid relevance feedback-driven adaption of the underlying pattern
similarity model and enables the user to modify the speed-vs-accuracy trade-off
gradually. We demonstrate superiority of PSEUDo in terms of efficiency,
accuracy, and steerability through a quantitative performance comparison and a
qualitative visual quality comparison to the state-of-the-art algorithms in the
field. Moreover, we showcase the usability of PSEUDo through a case study
demonstrating our visual pattern retrieval concepts in a large meteorological
dataset. We find that our adaptive models can accurately capture the user's
notion of similarity and allow for an understandable exploratory visual pattern
retrieval in large multivariate time series datasets.
- Abstract（参考訳）: マルチトラックシーケンシャルデータにおける視覚パターン探索のための適応的特徴学習手法PSEUDoを提案する。
我々のアプローチは、現在の深層学習システムにおいて、非経済的な再学習要件と非フレキシブルな表現学習を克服するために設計されている。
センサとデータストレージの増加により、前例のない規模でマルチトラック時系列データが生成される。
これらのデータセットには、神経マーケティングのような貴重なパターンがあり、研究者は生理的センサーからの連続したパターンと製品やサービスの購入行動の関連付けを試みる。
しかし、基礎的な真実と高いばらつきの欠如により、自動パターン検出は信頼できない。
我々の進歩は、多変量時系列ウィンドウの特徴に基づく表現を作成するために、クエリ対応の局所性に敏感なハッシュ技術に基づいている。
最も重要なことに、我々のアルゴリズムはサブ線形トレーニングと推論時間を備えている。
1万の異なる64トラックの時系列のモデリングと比較も可能で、それぞれが100ステップ(典型的なEEGデータセット)を0.8秒以下で達成できます。
この性能向上により、基礎となるパターン類似性モデルの迅速な関連フィードバック駆動適応が可能となり、速度vs精度トレードオフを徐々に修正することができる。
我々は,PSEUDoの効率,精度,操縦性において,現場における最先端のアルゴリズムと比較して,定量的な性能比較と質的な視覚的品質比較により優位性を示す。
さらに, 大規模気象データセットを用いて, 視覚パターン検索の概念を実証するケーススタディを通じてPSEUDoのユーザビリティを示す。
適応モデルでは,ユーザの類似性の概念を正確に把握し,多変量時系列データセットにおける探索的視覚パターンの探索を可能にする。
関連論文リスト
- SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。
トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
論文 参考訳（メタデータ） (2024-11-20T10:23:21Z) - SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳（メタデータ） (2024-02-20T18:48:49Z) - 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) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。
TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
論文 参考訳（メタデータ） (2023-10-08T00:02:25Z) - Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。
MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。
提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2023-09-11T02:35:22Z) - TimeTuner: Diagnosing Time Representations for Time-Series Forecasting
with Counterfactual Explanations [3.8357850372472915]
本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。
TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
論文 参考訳（メタデータ） (2023-07-19T11:40:15Z) - MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。
実世界の2つのデータセット上で本モデルを評価し,時系列計算における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） (2023-07-03T09:08:47Z) - Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。
本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文 参考訳（メタデータ） (2022-09-01T10:46:09Z) - 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) - 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。