論文の概要: DTWSSE: Data Augmentation with a Siamese Encoder for Time Series

• arxiv url: http://arxiv.org/abs/2108.09885v1
• Date: Mon, 23 Aug 2021 01:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 00:17:45.668523
• Title: DTWSSE: Data Augmentation with a Siamese Encoder for Time Series
• Title（参考訳）: DTWSSE:シームズエンコーダによる時系列データ拡張
• Authors: Xinyu Yang, Xinlan Zhang, Zhenguo Zhang, Yahui Zhao, Rongyi Cui
• Abstract要約: 本稿では,DTWSSE という名前のサイムズエンコーダを用いた DTW に基づく合成マイノリティオーバーサンプリング手法を提案する。 時系列の距離を合理的に測定するために、有効な方法として検証されたDTWを距離計量として用いる。 エンコーダは、DTW隠れ空間からユークリッド深い特徴空間に時系列データをマッピングするニューラルネットワークであり、デコーダを使用して、深い特徴空間をDTW隠れ空間にマッピングする。
• 参考スコア（独自算出の注目度）: 8.019203034348083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Access to labeled time series data is often limited in the real world, which constrains the performance of deep learning models in the field of time series analysis. Data augmentation is an effective way to solve the problem of small sample size and imbalance in time series datasets. The two key factors of data augmentation are the distance metric and the choice of interpolation method. SMOTE does not perform well on time series data because it uses a Euclidean distance metric and interpolates directly on the object. Therefore, we propose a DTW-based synthetic minority oversampling technique using siamese encoder for interpolation named DTWSSE. In order to reasonably measure the distance of the time series, DTW, which has been verified to be an effective method forts, is employed as the distance metric. To adapt the DTW metric, we use an autoencoder trained in an unsupervised self-training manner for interpolation. The encoder is a Siamese Neural Network for mapping the time series data from the DTW hidden space to the Euclidean deep feature space, and the decoder is used to map the deep feature space back to the DTW hidden space. We validate the proposed methods on a number of different balanced or unbalanced time series datasets. Experimental results show that the proposed method can lead to better performance of the downstream deep learning model.
• Abstract（参考訳）: ラベル付き時系列データへのアクセスは、現実世界ではしばしば制限されるため、時系列分析の分野でのディープラーニングモデルのパフォーマンスが制限される。 データ拡張は、小さなサンプルサイズと時系列データセットの不均衡の問題を解決する効果的な方法である。 データ拡張の2つの重要な要素は距離メートル法と補間法の選択である。 SMOTEはユークリッド距離メートル法を使用し、オブジェクトに直接補間するため、時系列データではうまく機能しない。 そこで本研究では,DTWSSE と呼ばれる補間のためのシアムエンコーダを用いた DTW に基づく合成マイノリティオーバーサンプリング手法を提案する。 時系列距離を適度に測定するために、有効な方法の砦であることが証明されたdtwを距離メトリクスとして採用する。 DTW測定値に適応するために、教師なしの自己学習方式で訓練されたオートエンコーダを用いて補間を行う。 エンコーダは、dtw隠れ空間からユークリッド深層特徴空間への時系列データをマッピングするシームニューラルネットであり、デコーダは、dtw隠れ空間に深い特徴空間をマッピングするために使用される。 提案手法を,複数の異なるバランスのとれた時系列データセット上で検証した。 実験の結果,提案手法は下流深層学習モデルの性能向上につながることが示された。

関連論文リスト

• Unsupervised Distance Metric Learning for Anomaly Detection Over Multivariate Time Series [0.0]
  時系列上の異常検出のための教師なし距離メトリック学習法であるFCM-wDTWを提案する。 FCM-wDTWは生データを潜在空間にエンコードし、クラスタセンターを通して通常の次元関係を明らかにする。 11種類のベンチマークによる実験は、我々の手法の競合精度と効率を実証している。
  論文  参考訳（メタデータ） (2024-03-04T09:55:16Z)
• Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
  動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。 提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-01-30T13:27:47Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• P-STMO: Pre-Trained Spatial Temporal Many-to-One Model for 3D Human Pose Estimation [78.83305967085413]
  本稿では,2次元から3次元のポーズ推定作業のためのP-STMOモデルを提案する。 提案手法は,パラメータが少なく,計算オーバーヘッドが少なく,最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-03-15T04:00:59Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• SiamPolar: Semi-supervised Realtime Video Object Segmentation with Polar Representation [6.108508667949229]
  そこで我々は,新しい極性表現を用いたシームズネットワークに基づく半教師付きリアルタイム手法を提案する。 極性表現は、微妙な精度の損失でマスクを符号化するためのパラメータを減らすことができる。 また、異なる空間スケールから特徴を抽出するために、非対称シャイムネットワークも開発されている。
  論文  参考訳（メタデータ） (2021-10-27T21:10:18Z)
• SOMTimeS: Self Organizing Maps for Time Series Clustering and its Application to Serious Illness Conversations [3.2689702143620147]
  我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。 他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。 我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
  論文  参考訳（メタデータ） (2021-08-26T00:18:25Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• 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)
• Graph Regularized Autoencoder and its Application in Unsupervised Anomaly Detection [42.86693635734333]
  本稿では,最小スパンニングツリー(MST)を用いて局所的な近傍構造を近似し,データ点間の構造保存距離を生成することを提案する。 我々は,20個のベンチマーク異常検出データセットに対して,多種多様な代替手法より優れた新しいグラフ正規化オートエンコーダを開発した。
  論文  参考訳（メタデータ） (2020-10-29T21:17:41Z)

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。