Fugu-MT 論文翻訳(概要): Subspace Change-Point Detection via Low-Rank Matrix Factorisation

論文の概要: Subspace Change-Point Detection via Low-Rank Matrix Factorisation

arxiv url: http://arxiv.org/abs/2110.04044v1
Date: Fri, 8 Oct 2021 11:36:08 GMT
ステータス: 処理完了
システム内更新日: 2021-10-11 16:51:02.569185
Title: Subspace Change-Point Detection via Low-Rank Matrix Factorisation
Title（参考訳）: 低ランク行列分解による部分空間変化点検出
Authors: Euan Thomas McGonigle, Hankui Peng
Abstract要約: 低ランク行列分解に基づく変化点検出法を提案する。合成データと実データの両方に対する実験結果から,本手法の有効性が示された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multivariate time series can often have a large number of dimensions, whether it is due to the vast amount of collected features or due to how the data sources are processed. Frequently, the main structure of the high-dimensional time series can be well represented by a lower dimensional subspace. As vast quantities of data are being collected over long periods of time, it is reasonable to assume that the underlying subspace structure would change over time. In this work, we propose a change-point detection method based on low-rank matrix factorisation that can detect multiple changes in the underlying subspace of a multivariate time series. Experimental results on both synthetic and real data sets demonstrate the effectiveness of our approach and its advantages against various state-of-the-art methods.
Abstract（参考訳）: 多変量時系列は、膨大な量の特徴によっても、データソースがどのように処理されるかによっても、多くの次元を持つことがある。しばしば、高次元の時系列の主構造は低次元の部分空間によってよく表される。膨大な量のデータが長期間にわたって収集されているため、基礎となる部分空間構造が時間とともに変化すると仮定することは合理的である。本研究では,多変量時系列の下位部分空間の複数の変化を検出できる低ランク行列因子分解に基づく変化点検出法を提案する。合成データと実データの両方における実験結果は,本手法の有効性と,その利点を実証するものである。

関連論文リスト

Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
論文参考訳（メタデータ） (2024-07-10T00:54:42Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文参考訳（メタデータ） (2023-10-17T06:29:09Z)
Sketched Multi-view Subspace Learning for Hyperspectral Anomalous Change Detection [12.719327447589345]
異常変化検出のためのスケッチ付きマルチビューサブスペース学習モデルを提案する。提案モデルでは,画像ペアからの主要な情報を保存し,計算複雑性を向上させる。実験は、ベンチマークハイパースペクトルリモートセンシングデータセットと自然なハイパースペクトルデータセットで実施される。
論文参考訳（メタデータ） (2022-10-09T14:08:17Z)
TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。従来の手法では、1D時系列から直接これを達成しようと試みていた。複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文参考訳（メタデータ） (2022-10-05T12:19:51Z)
Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2022-04-28T20:41:49Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
時系列データは、様々な現実世界のアプリケーションで広く使われている。このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
論文参考訳（メタデータ） (2020-11-23T19:16:46Z)
Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning [9.050841801109332]
本研究では,高次元ストリーミングデータのオンライン構造変化点検出のための動的スパース部分空間学習手法を提案する。新たな構造変化点モデルを提案し, 推定器の特性について検討した。オンライン最適化と変更点検出のために,効率的なPruned Exact Linear Timeベースのアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-24T14:16:18Z)
Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文参考訳（メタデータ） (2020-05-01T07:46:29Z)
Temporal Tensor Transformation Network for Multivariate Time Series Prediction [1.2354076490479515]
本稿では,時間変換ネットワーク(Temporal Transformation Network)と呼ばれる新しいディープラーニングアーキテクチャを提案する。これにより、元の多変量時系列の新しい表現が得られ、畳み込みカーネルは、比較的大きな時間領域からの可変相互作用信号だけでなく、複雑で非線形な特徴を抽出することができる。実験結果から、時間変換ネットワークは、様々なタスクにわたるウィンドウベースの予測において、最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-01-04T07:28:55Z)

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。