論文の概要: TSAX is Trending

• arxiv url: http://arxiv.org/abs/2112.12912v1
• Date: Fri, 24 Dec 2021 02:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 16:31:45.755410
• Title: TSAX is Trending
• Title（参考訳）: TSAXのトレンド
• Authors: Muhammad Marwan Muhammad Fuad
• Abstract要約: シンボリックアグリゲート近似(SAX)は時系列データの最も一般的な表現法の一つである。 我々は,SAXに最小限の複雑さを与えるだけで,時系列分類の性能を大幅に向上させるSAXの新たな改良を提案する。
• 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: Time series mining is an important branch of data mining, as time series data is ubiquitous and has many applications in several domains. The main task in time series mining is classification. Time series representation methods play an important role in time series classification and other time series mining tasks. One of the most popular representation methods of time series data is the Symbolic Aggregate approXimation (SAX). The secret behind its popularity is its simplicity and efficiency. SAX has however one major drawback, which is its inability to represent trend information. Several methods have been proposed to enable SAX to capture trend information, but this comes at the expense of complex processing, preprocessing, or post-processing procedures. In this paper we present a new modification of SAX that we call Trending SAX (TSAX), which only adds minimal complexity to SAX, but substantially improves its performance in time series classification. This is validated experimentally on 50 datasets. The results show the superior performance of our method, as it gives a smaller classification error on 39 datasets compared with SAX.
• Abstract（参考訳）: 時系列データはユビキタスであり、複数の領域に多くの応用があるため、時系列マイニングはデータマイニングの重要な分野である。 時系列採掘の主な課題は分類である。 時系列表現法は時系列分類や他の時系列マイニングタスクにおいて重要な役割を果たしている。 時系列データの最も一般的な表現方法の1つは、シンボリックアグリゲート近似(SAX)である。 その人気の背後にある秘密は、シンプルさと効率だ。 しかしsaxには、トレンド情報を表現できないという大きな欠点がある。 SAXがトレンド情報を取得するためのいくつかの方法が提案されているが、これは複雑な処理、前処理、後処理の手順を犠牲にしている。 本稿では,SAXに最小限の複雑さを与えるだけで,時系列分類における性能を大幅に向上させる,Trending SAX (TSAX) と呼ばれる新しいSAXを提案する。 これは50のデータセットで実験的に検証される。 その結果,SAXと比較して39データセットの分類誤差が小さいため,本手法の優れた性能を示した。

関連論文リスト

• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Fast Classification of Large Time Series Datasets [0.0]
  時系列分類(TSC)は、時系列マイニングにおいて最もインポートされたタスクである。 時系列データセットのサイズが永遠に大きくなるにつれて、従来のTSCメソッドはもはや十分ではない。
  論文  参考訳（メタデータ） (2023-12-10T22:56:09Z)
• Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
  自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。 この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
  論文  参考訳（メタデータ） (2023-06-16T18:23:10Z)
• Towards Symbolic Time Series Representation Improved by Kernel Density Estimators [0.0]
  本稿では,Symbolic Aggregate approXimation algorithm (SAX) に基づく一般的なマッピング手法について述べる。 シーケンス分類、パターンマイニング、異常検出、時系列インデックス化、その他のデータマイニングタスクで広く利用されている。 本稿では, 時系列再構成誤差やユークリッド距離下界など, SAX よりも有望な改善を伴う一般的なタスクの評価を含む, 提案手法について述べる。
  論文  参考訳（メタデータ） (2022-05-25T13:16:18Z)
• An efficient aggregation method for the symbolic representation of temporal data [0.0]
  本稿では,適応的ブラウン橋型アグリゲーション法 (ABBA) の新たな変種であるfABBAを提案する。 この変種は、時系列の断片表現に合わせた新しい集約アプローチを利用する。 従来の手法とは対照的に、新しいアプローチでは事前に指定する時系列シンボルの数を必要としない。
  論文  参考訳（メタデータ） (2022-01-14T22:51:24Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Voice2Series: Reprogramming Acoustic Models for Time Series Classification [65.94154001167608]
  Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。 V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
  論文  参考訳（メタデータ） (2021-06-17T07:59:15Z)
• Extreme-SAX: Extreme Points Based Symbolic Representation for Time Series Classification [0.0]
  本稿では,各セグメントの極点のみを用いて時系列を表現するExtreme-SAX(E-SAX)を提案する。 E-SAXはオリジナルのSAXと全く同じ単純さと効率性を持っているが、オリジナルのSAXよりも時系列分類においてより良い結果が得られる。
  論文  参考訳（メタデータ） (2020-10-02T00:17:08Z)
• Modifying the Symbolic Aggregate Approximation Method to Capture Segment Trend Information [0.0]
  シンボリックアグリゲート近似(SAX)は時系列データの記号次元削減手法として人気がある。 SAXには固有の欠点があり、セグメントトレンド情報をキャプチャできない。 何人かの研究者は、トレンド情報を含むように修正することでSAXを強化する試みを行っている。 本稿では,SAXの3つの改良点について検討する。
  論文  参考訳（メタデータ） (2020-10-02T00:05:39Z)
• XEM: An Explainable-by-Design Ensemble Method for Multivariate Time Series Classification [61.33695273474151]
  マルチ変数時系列分類のためのeXplainable-by-design Ensemble法であるXEMを提案する。 XEMは、明示的なブースティング・バッグ・アプローチと暗黙的なディペンション・アンド・コンカ・アプローチを組み合わせた新しいハイブリッド・アンサンブル法に依存している。 評価の結果、XEM は、パブリック UEA データセット上で最先端の MTS 分類器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-07T17:50:18Z)

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。