論文の概要: Multiscale Manifold Warping

• arxiv url: http://arxiv.org/abs/2109.09222v1
• Date: Sun, 19 Sep 2021 21:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:18:33.238991
• Title: Multiscale Manifold Warping
• Title（参考訳）: 多スケール多様体ワーピング
• Authors: Sridhar Mahadevan, Anup Rao, Georgios Theocharous and Jennifer Healey
• Abstract要約: 実世界のデータにおけるマルチスケール多様体潜在構造の利用により,アライメントの改善が期待できることを示す。 本稿では、DTWとマルチスケールな多様体学習フレームワークを統合したWOW(Warping on Wavelets)という新しいフレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 28.628750841401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world applications require aligning two temporal sequences, including bioinformatics, handwriting recognition, activity recognition, and human-robot coordination. Dynamic Time Warping (DTW) is a popular alignment method, but can fail on high-dimensional real-world data where the dimensions of aligned sequences are often unequal. In this paper, we show that exploiting the multiscale manifold latent structure of real-world data can yield improved alignment. We introduce a novel framework called Warping on Wavelets (WOW) that integrates DTW with a a multi-scale manifold learning framework called Diffusion Wavelets. We present a theoretical analysis of the WOW family of algorithms and show that it outperforms previous state of the art methods, such as canonical time warping (CTW) and manifold warping, on several real-world datasets.
• Abstract（参考訳）: 多くの現実世界のアプリケーションは、バイオインフォマティクス、手書き認識、アクティビティ認識、人間とロボットの協調を含む2つの時間的シーケンスを整列する必要がある。 動的時間ウォーピング(DTW)は一般的なアライメント手法であるが、アライメントシーケンスの次元が不等な高次元実世界のデータでは失敗することがある。 本稿では,実世界のデータの多スケール多様体的潜在構造を活用すれば,アライメントの改善が期待できることを示す。 我々は、DTWとDiffusion Waveletsと呼ばれるマルチスケールの多様体学習フレームワークを統合する、WOW(Warping on Wavelets)と呼ばれる新しいフレームワークを紹介します。 本稿では,WOW系アルゴリズムの理論的解析を行い,いくつかの実世界のデータセットにおいて,標準時ワープ(CTW)や多様体ワープといった従来の手法よりも優れていることを示す。

関連論文リスト

• DRFormer: Multi-Scale Transformer Utilizing Diverse Receptive Fields for Long Time-Series Forecasting [3.420673126033772]
  本稿では,動的スパース学習アルゴリズムを用いた動的トークン化手法を提案する。 提案するDRFormerは,実世界の様々なデータセットを用いて評価し,既存の手法と比較して,その優位性を示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-08-05T07:26:47Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Self-supervised novel 2D view synthesis of large-scale scenes with efficient multi-scale voxel carving [77.07589573960436]
  実シーンの新たなビューを生成するために,効率的なマルチスケールのボクセル彫刻手法を提案する。 我々の最終的な高解像度出力は、ボクセル彫刻モジュールによって自動的に生成されるデータに基づいて効率よく自己学習される。 実環境における複雑で大規模なシーンにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-06-26T13:57:05Z)
• 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)
• Dynamic Time Warping based Adversarial Framework for Time-Series Domain [32.45387153404849]
  適応ロバストネスのための動的時間ウォーピング(DTW-AR)と呼ばれる時系列領域のための新しいフレームワークを提案する。 理論解析によって正当化された原理的アルゴリズムを開発し、ランダムなアライメントパスを用いて、多様な逆例を効率的に生成する。 多様な実世界のベンチマーク実験では、DTW-ARが時系列データに対してDNNを騙し、敵の訓練によってその堅牢性を向上させることが示されている。
  論文  参考訳（メタデータ） (2022-07-09T17:23:00Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW [1.282368486390644]
  動的時間ワープの下で時系列のモチーフを発見するための,最初のスケーラブルな正確な方法を提案する。 我々のアルゴリズムは、DTW計算の99.99%を許容できる。
  論文  参考訳（メタデータ） (2020-09-16T19:35:43Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)

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。