Fugu-MT 論文翻訳(概要): Local Exceptionality Detection in Time Series Using Subgroup Discovery

論文の概要: Local Exceptionality Detection in Time Series Using Subgroup Discovery

arxiv url: http://arxiv.org/abs/2108.11751v1
Date: Thu, 5 Aug 2021 17:19:51 GMT
ステータス: 処理完了
システム内更新日: 2021-08-29 12:07:49.081421
Title: Local Exceptionality Detection in Time Series Using Subgroup Discovery
Title（参考訳）: 部分群探索を用いた時系列の局所的例外検出
Authors: Dan Hudson and Travis J. Wiltshire and Martin Atzmueller
Abstract要約: 時系列データを用いた局所異常検出のための新しい手法を提案する。この方法はデータ中の解釈可能なパターンを発見し、時系列の進行の理解と予測に使用できる。
参考スコア（独自算出の注目度）: 0.5371337604556311
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present a novel approach for local exceptionality detection on time series data. This method provides the ability to discover interpretable patterns in the data, which can be used to understand and predict the progression of a time series. This being an exploratory approach, the results can be used to generate hypotheses about the relationships between the variables describing a specific process and its dynamics. We detail our approach in a concrete instantiation and exemplary implementation, specifically in the field of teamwork research. Using a real-world dataset of team interactions we include results from an example data analytics application of our proposed approach, showcase novel analysis options, and discuss possible implications of the results from the perspective of teamwork research.
Abstract（参考訳）: 本稿では,時系列データにおける局所的例外性検出のための新しい手法を提案する。この方法では、データの解釈可能なパターンを発見し、時系列の進行を理解し予測することができる。これは探索的なアプローチであり、結果は特定のプロセスを記述する変数とそのダイナミクスの関係に関する仮説を生成するのに使うことができる。我々は、このアプローチを具体的なインスタンス化と例示的な実装、特にチームワーク研究の分野で詳述する。チームインタラクションの現実世界のデータセットを使用すると、提案手法のサンプルデータ分析アプリケーションからの結果が含まれ、新しい分析オプションを示し、チームワーク研究の観点から結果の可能性を議論します。

関連論文リスト

Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文参考訳（メタデータ） (2024-10-24T17:56:08Z)
A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文参考訳（メタデータ） (2024-04-29T17:19:40Z)
generAItor: Tree-in-the-Loop Text Generation for Language Model Explainability and Adaptation [28.715001906405362]
大規模言語モデル(LLM)は、自動補完、補助的な書き込み、チャットベースのテキスト生成など、様々な下流タスクに広くデプロイされている。本稿では,ビーム探索ツリーの視覚的表現を解析,説明,適応する中心的な要素とする,ループ内ツリーのアプローチを提案することで,この欠点に対処する。視覚解析技術であるGenerAItorを,タスク固有のウィジェットで中央ビーム探索木を拡大し,ターゲットとした可視化とインタラクションの可能性を提供する。
論文参考訳（メタデータ） (2024-03-12T13:09:15Z)
Assessing Privacy Risks in Language Models: A Case Study on Summarization Tasks [65.21536453075275]
我々は要約作業に焦点をあて、会員推測(MI)攻撃について調査する。テキストの類似性や文書修正に対するモデルの抵抗をMI信号として活用する。我々は、MI攻撃から保護するための要約モデルの訓練と、プライバシとユーティリティの本質的にのトレードオフについて議論する。
論文参考訳（メタデータ） (2023-10-20T05:44:39Z)
Extracting Interpretable Local and Global Representations from Attention on Time Series [0.135975510645475]
本稿では,局所的抽象化とグローバル表現を併用した2つのトランスフォーマーアテンションに基づく解釈可能性手法を提案する。ローカルコンテキストとグローバルコンテキストを区別し、一般的な解釈オプションの両方に包括的なフレームワークを提供する。
論文参考訳（メタデータ） (2023-09-16T00:51:49Z)
DANLIP: Deep Autoregressive Networks for Locally Interpretable Probabilistic Forecasting [0.0]
本稿では,本質的に解釈可能な,深層学習に基づく確率的時系列予測アーキテクチャを提案する。我々のモデルは解釈可能であるだけでなく、最先端の確率的時系列予測手法に匹敵する性能を提供する。
論文参考訳（メタデータ） (2023-01-05T23:40:23Z)
A Unified Comparison of User Modeling Techniques for Predicting Data Interaction and Detecting Exploration Bias [17.518601254380275]
我々は,4つのユーザスタディデータセットの多種多様なセットにおいて,その性能に基づいて8つのユーザモデリングアルゴリズムを比較し,ランク付けする。本研究は,ユーザインタラクションの分析と可視化のためのオープンな課題と新たな方向性を強調した。
論文参考訳（メタデータ） (2022-08-09T19:51:10Z)
Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文参考訳（メタデータ） (2022-04-25T19:06:48Z)
Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文参考訳（メタデータ） (2022-01-26T17:54:14Z)
Deep Neural Approaches to Relation Triplets Extraction: A Comprehensive Survey [22.586079965178975]
我々は、公開データセット上のディープニューラルネットワークを用いた関係抽出に焦点を当てる。文レベルの関係抽出,文書レベルの関係抽出,パイプラインによる共同抽出アプローチ,注釈付きデータセット,遠隔教師付きデータセットなどについて述べる。本稿では,ニューラルネットワークについて,畳み込みモデル,リカレントネットワークモデル,アテンションネットワークモデル,グラフ畳み込みモデルについて報告する。
論文参考訳（メタデータ） (2021-03-31T09:27:15Z)
CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural Summarization Systems [121.78477833009671]
データセット間設定下での様々な要約モデルの性能について検討する。異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
論文参考訳（メタデータ） (2020-10-11T02:19:15Z)

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。