Fugu-MT 論文翻訳(概要): Error-bounded Approximate Time Series Joins using Compact Dictionary Representations of Time Series

論文の概要: Error-bounded Approximate Time Series Joins using Compact Dictionary Representations of Time Series

arxiv url: http://arxiv.org/abs/2112.12965v1
Date: Fri, 24 Dec 2021 06:43:26 GMT
ステータス: 処理完了
システム内更新日: 2021-12-28 17:35:10.562814
Title: Error-bounded Approximate Time Series Joins using Compact Dictionary Representations of Time Series
Title（参考訳）: 時系列のコンパクト辞書表現を用いた誤差有界近似時系列接合
Authors: Chin-Chia Michael Yeh, Yan Zheng, Junpeng Wang, Huiyuan Chen, Zhongfang Zhuang, Wei Zhang, Eamonn Keogh
Abstract要約: 時系列のコンパクトな「辞書」表現を作成することにより、エラー境界付き保証付き時系列間類似結合を効率的に実行可能であることを示す。医学や交通の分野において,辞書をベースとした時系列間類似性の有用性を実証する。
参考スコア（独自算出の注目度）: 21.05167760624464
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The matrix profile is an effective data mining tool that provides similarity join functionality for time series data. Users of the matrix profile can either join a time series with itself using intra-similarity join (i.e., self-join) or join a time series with another time series using inter-similarity join. By invoking either or both types of joins, the matrix profile can help users discover both conserved and anomalous structures in the data. Since the introduction of the matrix profile five years ago, multiple efforts have been made to speed up the computation with approximate joins; however, the majority of these efforts only focus on self-joins. In this work, we show that it is possible to efficiently perform approximate inter-time series similarity joins with error bounded guarantees by creating a compact "dictionary" representation of time series. Using the dictionary representation instead of the original time series, we are able to improve the throughput of an anomaly mining system by at least 20X, with essentially no decrease in accuracy. As a side effect, the dictionaries also summarize the time series in a semantically meaningful way and can provide intuitive and actionable insights. We demonstrate the utility of our dictionary-based inter-time series similarity joins on domains as diverse as medicine and transportation.
Abstract（参考訳）: matrix profileは、時系列データの類似性結合機能を提供する効果的なデータマイニングツールである。行列プロファイルのユーザは、相似性結合(自己結合)を用いて自身で時系列を結合するか、相似性結合を用いて別の時系列と結合することができる。いずれかのタイプの結合を呼び出すことで、マトリクスプロファイルはデータの保存された構造と異常な構造の両方を発見するのに役立つ。 5年前の行列プロファイルの導入以来、近似結合による計算の高速化に複数の取り組みがなされてきたが、これらの取り組みの大部分は自己結合にのみ焦点をあてている。本研究では,時系列のコンパクトな"ディクショナリ"表現を作成することにより,誤差有界保証を伴う近似時系列間類似性結合を効率的に実行可能であることを示す。元の時系列ではなく辞書表現を用いることで、異常マイニングシステムのスループットを少なくとも20倍向上させることができるが、基本的に精度は低下しない。副次的な効果として、辞書は時系列を意味的に意味のある方法で要約し、直感的で実行可能な洞察を提供する。医学や交通の分野における辞書に基づく時系列間類似性の有用性を実証する。

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)
Series2Vec: Similarity-based Self-supervised Representation Learning for Time Series Classification [13.775977945756415]
自己教師型表現学習のための textitSeries2Vec という新しい手法を提案する。 Series2Vecは、時間領域とスペクトル領域の両方における2つの系列の類似性を予測するために訓練されている。我々は,Series2Vecが完全教師付きトレーニングと互換性があり,限られたラベル付きデータを持つデータセットにおいて高い効率を提供することを示す。
論文参考訳（メタデータ） (2023-12-07T02:30:40Z)
Time Series Synthesis Using the Matrix Profile for Anonymization [32.22243483781984]
多くの研究者は、プライバシー規制や秘密のビジネス情報漏洩を恐れてデータを公開できない。本稿では, 行列プロファイル (TSSUMP) を用いた時系列合成を提案する。我々は,ECGとジェンダーマスキング予測のケーススタディにおいて,本手法を検証した。
論文参考訳（メタデータ） (2023-11-05T04:27:24Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
論文参考訳（メタデータ） (2023-03-01T08:33:16Z)
Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time Series [18.205595410817327]
本稿では,シリーズにおけるパターン表現比較(Pattern Representation Comparison in Series)の略であるPRCISを紹介する。 PRCISは長い時系列の距離測定であり、辞書で時系列を要約する能力の最近の進歩を生かしている。
論文参考訳（メタデータ） (2022-12-09T23:02:23Z)
HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-11T14:05:51Z)
Elastic Product Quantization for Time Series [19.839572576189187]
本稿では,時間ゆらぎの時間系列の効率的な類似度に基づく比較に製品量子化を用いることを提案する。提案手法は, 時系列アプリケーションにおける弾性測度を, 高効率(メモリ使用量と時間の両方)で置き換える手法として現れる。
論文参考訳（メタデータ） (2022-01-04T09:23:06Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)
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)
Self-Supervised Time Series Representation Learning by Inter-Intra Relational Reasoning [18.72937677485634]
本稿では,汎用的な自己教師型時系列表現学習フレームワークであるSelfTimeを紹介する。本研究では,時系列のサンプル間関係と時間内関係を探索し,ラベルなし時系列の基盤となる構造特徴を学習する。時系列の有用な表現は、関係推論ヘッドの監督の下、バックボーンから抽出される。
論文参考訳（メタデータ） (2020-11-27T04:04:17Z)

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。