論文の概要: tsflex: flexible time series processing & feature extraction
- arxiv url: http://arxiv.org/abs/2111.12429v1
- Date: Wed, 24 Nov 2021 11:18:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 15:01:25.251523
- Title: tsflex: flexible time series processing & feature extraction
- Title（参考訳）: tsflex: 柔軟な時系列処理と特徴抽出
- Authors: Jonas Van Der Donckt, Jeroen Van Der Donckt, Emiel Deprost, Sofie Van
Hoecke
- Abstract要約: $textttsflex$はドメインに依存しないフレキシブルでシーケンスファーストのPythonツールキットで、処理と機能の抽出を行う。
不規則なサンプル配列を不整合の測定で処理することができる。
$textttsflex$は、同様のパッケージよりも柔軟で、実行時とメモリ使用時の両方でこれらのツールキットよりも優れています。
- 参考スコア（独自算出の注目度）: 1.4363077705988267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series processing and feature extraction are crucial and time-intensive
steps in conventional machine learning pipelines. Existing packages are limited
in their real-world applicability, as they cannot cope with irregularly-sampled
and asynchronous data. We therefore present $\texttt{tsflex}$, a
domain-independent, flexible, and sequence first Python toolkit for processing
& feature extraction, that is capable of handling irregularly-sampled sequences
with unaligned measurements. This toolkit is sequence first as (1) sequence
based arguments are leveraged for strided-window feature extraction, and (2)
the sequence-index is maintained through all supported operations.
$\texttt{tsflex}$ is flexible as it natively supports (1) multivariate time
series, (2) multiple window-stride configurations, and (3) integrates with
processing and feature functions from other packages, while (4) making no
assumptions about the data sampling rate regularity and synchronization. Other
functionalities from this package are multiprocessing, in-depth execution time
logging, support for categorical & time based data, chunking sequences, and
embedded serialization. $\texttt{tsflex}$ is developed to enable fast and
memory-efficient time series processing & feature extraction. Results indicate
that $\texttt{tsflex}$ is more flexible than similar packages while
outperforming these toolkits in both runtime and memory usage.
- Abstract（参考訳）: 従来の機械学習パイプラインでは、時系列処理と特徴抽出が重要かつ時間集約的なステップである。
既存のパッケージは、不規則にサンプリングされた非同期データに対処できないため、実際の適用性に制限がある。
そこで我々は,不規則にサンプリングされたシーケンスを不整合な測定値で処理可能な,処理と特徴抽出のためのドメインに依存しない,フレキシブル,シーケンスファーストのpythonツールキットである$\textt{tsflex}$を提案する。
このツールキットは(1)シーケンスベースの引数をストレートウィンドウの特徴抽出に活用し、(2)シーケンスインデックスはすべてのサポートされた操作を通して維持される。
$\texttt{tsflex}$は、(1)多変量時系列、(2)複数のウィンドウストライド構成、(3)他のパッケージからの処理と機能関数との統合、(4)データのサンプリングレートの規則性と同期について仮定しないため、フレキシブルである。
このパッケージの他の機能としては、マルチプロセッシング、詳細な実行時間ロギング、カテゴリと時間ベースのデータのサポート、チャンキングシーケンス、組み込みシリアライゼーションなどがある。
$\texttt{tsflex}$は、高速でメモリ効率の良い時系列処理と特徴抽出を可能にするために開発された。
その結果、$\texttt{tsflex}$は同様のパッケージよりも柔軟であるが、実行時とメモリ使用量の両方においてこれらのツールキットを上回っている。
関連論文リスト
- Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。
GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。
このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-05-22T16:41:21Z) - Sparse Transformer with Local and Seasonal Adaptation for Multivariate Time Series Forecasting [8.000134983886742]
3つのスパース成分からなるドーザー注意機構を提案する。
これらのコンポーネントは、局所性、季節性、グローバルな時間的依存関係を含む、MSSデータの本質的な属性をキャプチャするために設計されている。
MTS予測タスクに対するDozer Attentionメカニズムを取り入れたDozerformer Frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-11T22:49:02Z) - FOCAL: Contrastive Learning for Multimodal Time-Series Sensing Signals
in Factorized Orthogonal Latent Space [7.324708513042455]
本稿では,マルチモーダル時系列センシング信号から包括的特徴を抽出する,FOCALと呼ばれる新しいコントラスト学習フレームワークを提案する。
ダウンストリームタスクにおける最先端のベースラインを、明確なマージンで一貫して上回る。
論文 参考訳（メタデータ） (2023-10-30T22:55:29Z) - Once-for-All Sequence Compression for Self-Supervised Speech Models [62.60723685118747]
自己教師型音声モデルのための一括圧縮フレームワークを提案する。
このフレームワークは様々なタスクで評価され、固定圧縮率の変種と比較して限界劣化を示す。
また、適応圧縮率学習についても検討し、グリッド探索を必要とせず、タスク固有の好ましいフレーム期間を選択する能力を示す。
論文 参考訳（メタデータ） (2022-11-04T09:19:13Z) - PARTIME: Scalable and Parallel Processing Over Time with Deep Neural
Networks [68.96484488899901]
PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。
PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。
オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
論文 参考訳（メタデータ） (2022-10-17T14:49:14Z) - Feature-Based Time-Series Analysis in R using the theft Package [0.0]
時系列機能の集合を計算するための多くのオープンソースソフトウェアパッケージは、複数のプログラミング言語にまたがって存在している。
ここでは、これらの問題の解決策を、盗難と呼ばれるRソフトウェアパッケージに紹介する。
論文 参考訳（メタデータ） (2022-08-12T07:29:29Z) - pyWATTS: Python Workflow Automation Tool for Time Series [0.20315704654772418]
pyWATTSは時系列データ分析のための非シーケンスワークフロー自動化ツールである。
pyWATTSには、新しいメソッドや既存のメソッドのシームレスな統合を可能にする、明確に定義されたインターフェイスを持つモジュールが含まれている。
pyWATTSはScikit-learn、PyTorch、KerasといったPythonの機械学習ライブラリをサポートする。
論文 参考訳（メタデータ） (2021-06-18T14:50:11Z) - ABCNet v2: Adaptive Bezier-Curve Network for Real-time End-to-end Text
Spotting [108.93803186429017]
エンドツーエンドのテキストスポッティングは、統一されたフレームワークで検出と認識を統合することを目指している。
本稿では、Adaptive Bezier Curve Network v2 (ABCNet v2) を提示することで、エンドツーエンドテキストスポッティングに取り組む。
1) 任意の形状のテキストをパラメータ化されたベジアー曲線で適応的に適合させ, セグメンテーション法と比較すると, 構造的な出力だけでなく, 制御可能な表現も提供できる。
様々なバイリンガル(英語と中国語)ベンチマークデータセットで実施された総合的な実験は、ABCNet v2が現状を達成することを実証している。
論文 参考訳（メタデータ） (2021-05-08T07:46:55Z) - 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) - Efficient Semantic Video Segmentation with Per-frame Inference [117.97423110566963]
本研究では,フレームごとの効率的なセマンティックビデオセグメンテーションを推論プロセス中に処理する。
そこで我々は,コンパクトモデルと大規模モデルのパフォーマンスギャップを狭めるために,新しい知識蒸留法を設計した。
論文 参考訳（メタデータ） (2020-02-26T12:24:32Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳（メタデータ） (2020-01-02T18:48:29Z)
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。