論文の概要: Capturing the temporal constraints of gradual patterns

• arxiv url: http://arxiv.org/abs/2106.14417v1
• Date: Mon, 28 Jun 2021 06:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 23:39:26.885328
• Title: Capturing the temporal constraints of gradual patterns
• Title（参考訳）: 段階的パターンの時間的制約を捉える
• Authors: Dickson Odhiambo Owuor
• Abstract要約: 段階的パターンマイニング(Gradual pattern mining)は、「Xを多くすればYを多くする」といった段階的規則を通じて属性相関を抽出することを可能にする。 例えば、研究者は段階的なパターンマイニングを適用して、データセットのどの属性が不慣れな相関を示すかを決定することで、より深い探索や分析のためにそれらを分離することができる。 この作業は、私たちの社会のほぼすべての領域でIoTアプリケーションの普及によって動機付けられています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradual pattern mining allows for extraction of attribute correlations through gradual rules such as: "the more X, the more Y". Such correlations are useful in identifying and isolating relationships among the attributes that may not be obvious through quick scans on a data set. For instance, a researcher may apply gradual pattern mining to determine which attributes of a data set exhibit unfamiliar correlations in order to isolate them for deeper exploration or analysis. In this work, we propose an ant colony optimization technique which uses a popular probabilistic approach that mimics the behavior biological ants as they search for the shortest path to find food in order to solve combinatorial problems. In our second contribution, we extend an existing gradual pattern mining technique to allow for extraction of gradual patterns together with an approximated temporal lag between the affected gradual item sets. Such a pattern is referred to as a fuzzy-temporal gradual pattern and it may take the form: "the more X, the more Y, almost 3 months later". In our third contribution, we propose a data crossing model that allows for integration of mostly gradual pattern mining algorithm implementations into a Cloud platform. This contribution is motivated by the proliferation of IoT applications in almost every area of our society and this comes with provision of large-scale time-series data from different sources.
• Abstract（参考訳）: 漸進的パターンマイニングは、"the more x, the more y"のような漸進的ルールを通じて属性相関を抽出することができる。 このような相関関係はデータセットのクイックスキャンによって明らかでない属性間の関係を識別し分離するのに有用である。 例えば、研究者は段階的なパターンマイニングを適用して、データセットのどの属性が不慣れな相関を示すかを決定することで、より深い探索や分析のためにそれらを分離することができる。 そこで本研究では, 生物アリの行動を模倣し, 餌を探すための最短経路を探索し, 組合せ問題を解くための一般的な確率的手法を用いたアリコロニー最適化手法を提案する。 第2の貢献として,既存の段階的パターンマイニング手法を拡張し,影響のある段階的項目集合間の時間的ラグを近似し,段階的パターン抽出を可能にした。 このようなパターンはファジィ時間的漸進的なパターンと呼ばれ、「Xが多ければ多いほどYが約3ヶ月後になる」という形式をとるかもしれない。 第3のコントリビューションでは、主に段階的なパターンマイニングアルゴリズムの実装をクラウドプラットフォームに統合可能なデータ交差モデルを提案しています。 このコントリビューションは、私たちの社会のほぼすべての領域におけるIoTアプリケーションの普及によるものであり、異なるソースからの大規模な時系列データの提供が伴います。

関連論文リスト

• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Ant Colony Optimization for Mining Gradual Patterns [0.0]
  段階的依存は「より属性K、より属性L」の形をとることができる 本稿では,確率論的手法を用いて頻繁な段階パターンの学習と抽出を行うアリコロニー最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-08-31T12:22:57Z)
• Flexible Pattern Discovery and Analysis [2.075126998649103]
  フレキシブルな高ユーティリティ占有パターンのマイニングのためのアルゴリズムを導入する。 提案アルゴリズムは,実世界のデータセットと合成データセットの両方に対して,抽出したパターンの長さを効果的に制御することができる。
  論文  参考訳（メタデータ） (2021-11-24T01:25:15Z)
• 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)
• Extracting Seasonal Gradual Patterns from Temporal Sequence Data Using Periodic Patterns Mining [0.0]
  季節的段階的パターンは「Xが増加/減少するとYが増加/減少する」という形で複雑な属性の共変を捉える 多くの時系列データにおいて、同じ時間間隔で定期的に現れる漸進的なパターンを抽出する手法は提案されていない。 本稿では,複数のシークエンスに共通する周期的パターンのマイニングに基づく抽出手法を提案する。
  論文  参考訳（メタデータ） (2020-10-20T14:03:37Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Discovering Frequent Gradual Itemsets with Imprecise Data [0.4874780144224056]
  The more/less X, The more/less Y" という形式の属性の複雑な共変分をモデル化する段階的なパターンは、多くの現実世界のアプリケーションにおいて重要な役割を果たす。 本稿では,増加または減少を考慮した漸進性しきい値を導入することを提案する。
  論文  参考訳（メタデータ） (2020-05-22T08:02:15Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。