論文の概要: Evolutionary Robust Clustering Over Time for Temporal Data
- arxiv url: http://arxiv.org/abs/2106.07252v1
- Date: Mon, 14 Jun 2021 09:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-26 17:58:30.581413
- Title: Evolutionary Robust Clustering Over Time for Temporal Data
- Title（参考訳）: 時空間データのための進化的ロバストクラスタリング
- Authors: Qi Zhao, Bai Yan, Yuhui Shi
- Abstract要約: 多くのクラスタリングシーンでは、データサンプルの属性値が時間とともに変化する。
本稿では、時間とともに進化的ロバストクラスタリングと呼ばれる新しいクラスタリングフレームワークを提案する。
提案フレームワークの重要な革新の1つは、時間的滑らかさを後続的に処理することである。
- 参考スコア（独自算出の注目度）: 19.246970766964033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many clustering scenes, data samples' attribute values change over time.
For such data, we are often interested in obtaining a partition for each time
step and tracking the dynamic change of partitions. Normally, a smooth change
is assumed for data to have a temporal smooth nature. Existing algorithms
consider the temporal smoothness as an a priori preference and bias the search
towards the preferred direction. This a priori manner leads to a risk of
converging to an unexpected region because it is not always the case that a
reasonable preference can be elicited given the little prior knowledge about
the data. To address this issue, this paper proposes a new clustering framework
called evolutionary robust clustering over time. One significant innovation of
the proposed framework is processing the temporal smoothness in an a posteriori
manner, which avoids unexpected convergence that occurs in existing algorithms.
Furthermore, the proposed framework automatically tunes the weight of
smoothness without data's affinity matrix and predefined parameters, which
holds better applicability and scalability. The effectiveness and efficiency of
the proposed framework are confirmed by comparing with state-of-the-art
algorithms on both synthetic and real datasets.
- Abstract（参考訳）: 多くのクラスタリングシーンでは、データサンプルの属性値は時間とともに変化する。
このようなデータについては、時間ステップ毎にパーティションを取得し、パーティションの動的変更を追跡することに関心があります。
通常、データが時間的スムーズな性質を持つように、スムーズな変化を仮定する。
既存のアルゴリズムでは、時間的滑らかさを優先選好とみなし、探索を優先方向に向かってバイアスする。
この事前の方法は、データに関するわずかな事前の知識から、必ずしも合理的な選好を導き出すことができるとは限らないため、予期せぬ領域に収束するリスクをもたらす。
この問題に対処するため,本稿では進化的ロバストクラスタリングと呼ばれる新しいクラスタリングフレームワークを提案する。
提案フレームワークの重要な革新の1つは、既存のアルゴリズムで生じる予期せぬ収束を避けるために、時間的滑らかさを後続的に処理することである。
さらに,提案フレームワークでは,データの親和性行列や予め定義されたパラメータを使わずに,スムースネスの重みを自動的に調整する。
提案手法の有効性と有効性は,合成データと実データの両方における最先端アルゴリズムとの比較により確認した。
関連論文リスト
- tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。
シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T15:10:55Z) - Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。
選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。
また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-29T20:56:34Z) - 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) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳（メタデータ） (2023-07-26T16:19:19Z) - Time Series Forecasting via Semi-Asymmetric Convolutional Architecture
with Global Atrous Sliding Window [0.0]
本稿では,時系列予測の問題に対処するために提案手法を提案する。
現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。
パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
論文 参考訳（メタデータ） (2023-01-31T15:07:31Z) - Doubly Inhomogeneous Reinforcement Learning [4.334006170547247]
我々は、ポリシー学習のために、時間とともに個人間で類似したダイナミクスを表示する「最良のデータチャンクを決定するためのオリジナルアルゴリズム」を提案する。
提案手法は汎用的であり,クラスタリングおよび変更点検出アルゴリズムの幅広い範囲で動作する。
論文 参考訳（メタデータ） (2022-11-08T03:41:14Z) - Smoothed Online Learning is as Easy as Statistical Learning [77.00766067963195]
この設定では、最初のオラクル効率、非回帰アルゴリズムを提供する。
古典的な設定で関数クラスが学習可能な場合、文脈的包帯に対するオラクル効率のよい非回帰アルゴリズムが存在することを示す。
論文 参考訳（メタデータ） (2022-02-09T19:22:34Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z) - Post-Estimation Smoothing: A Simple Baseline for Learning with Side
Information [102.18616819054368]
本稿では,構造指標データを予測に組み込む高速かつ効率的な手法として,後推定平滑化演算子を提案する。
滑らかなステップは元の予測器とは分離されているため、機械学習タスクの幅広いクラスに適用できる。
大規模な空間的・時間的データセットに関する実験は,実測後のスムース化の速度と正確さを浮き彫りにした。
論文 参考訳（メタデータ） (2020-03-12T18:04:20Z) - Variational Conditional Dependence Hidden Markov Models for
Skeleton-Based Action Recognition [7.9603223299524535]
本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。
我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。
フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-02-13T23:18:52Z)
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。