論文の概要: Towards Similarity-Aware Time-Series Classification

• arxiv url: http://arxiv.org/abs/2201.01413v2
• Date: Thu, 6 Jan 2022 17:27:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 12:10:24.150301
• Title: Towards Similarity-Aware Time-Series Classification
• Title（参考訳）: 類似性を考慮した時系列分類に向けて
• Authors: Daochen Zha, Kwei-Herng Lai, Kaixiong Zhou, Xia Hu
• Abstract要約: 時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
• 参考スコア（独自算出の注目度）: 51.2400839966489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study time-series classification (TSC), a fundamental task of time-series data mining. Prior work has approached TSC from two major directions: (1) similarity-based methods that classify time-series based on the nearest neighbors, and (2) deep learning models that directly learn the representations for classification in a data-driven manner. Motivated by the different working mechanisms within these two research lines, we aim to connect them in such a way as to jointly model time-series similarities and learn the representations. This is a challenging task because it is unclear how we should efficiently leverage similarity information. To tackle the challenge, we propose Similarity-Aware Time-Series Classification (SimTSC), a conceptually simple and general framework that models similarity information with graph neural networks (GNNs). Specifically, we formulate TSC as a node classification problem in graphs, where the nodes correspond to time-series, and the links correspond to pair-wise similarities. We further design a graph construction strategy and a batch training algorithm with negative sampling to improve training efficiency. We instantiate SimTSC with ResNet as the backbone and Dynamic Time Warping (DTW) as the similarity measure. Extensive experiments on the full UCR datasets and several multivariate datasets demonstrate the effectiveness of incorporating similarity information into deep learning models in both supervised and semi-supervised settings. Our code is available at https://github.com/daochenzha/SimTSC
• Abstract（参考訳）: 時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 先行研究は,(1)近接する隣人に基づいて時系列を分類する類似性に基づく手法,(2)データ駆動方式で分類表現を直接学習する深層学習モデル,の2つの方向からTSCにアプローチしてきた。 これら2つの研究ラインで異なる作業メカニズムによって動機付けられ、時系列の類似性を共同でモデル化し、表現を学習することを目的としている。 類似情報を効率的に活用する方法が不明確であるため、これは難しい課題です。 この課題を解決するために,グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化する概念的にシンプルで一般的なフレームワークであるSimTSCを提案する。 具体的には、ノードが時系列に対応し、リンクがペアワイズ類似性に対応するグラフにおいて、TSCをノード分類問題として定式化する。 さらに,グラフ構築戦略と負サンプリングによるバッチ学習アルゴリズムを設計し,学習効率を向上させる。 我々はSimTSCをResNetをバックボーンとし、Dynamic Time Warping(DTW)を類似度尺度としてインスタンス化する。 ucrデータセットと複数の多変量データセットに関する広範な実験は、教師付きと半教師付きの両方の設定でディープラーニングモデルに類似性情報を組み込む効果を示している。 私たちのコードはhttps://github.com/daochenzha/SimTSCで利用可能です。

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)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
  ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。 本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。 SCooLを評価し,既存の分散学習手法と比較した。
  論文  参考訳（メタデータ） (2023-06-16T02:41:31Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for Semi-Supervised Time Series Classification [4.7828959446344275]
  本稿では,新しいグラフ構築モジュールを用いた,効率的な半教師付き時系列分類手法 LB-SimTSC を提案する。 LB_Keoghを用いてペア距離行列を構築し,グラフニューラルネットワークのためのグラフを構築する。 その結果、大規模なデータセット上でグラフを構築する場合、このアプローチはSimTSCの最大104倍高速であることが示された。
  論文  参考訳（メタデータ） (2023-01-12T06:49:55Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• SOMTimeS: Self Organizing Maps for Time Series Clustering and its Application to Serious Illness Conversations [3.2689702143620147]
  我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。 他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。 我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
  論文  参考訳（メタデータ） (2021-08-26T00:18:25Z)
• Time-Series Representation Learning via Temporal and Contextual Contrasting [14.688033556422337]
  時間・文脈コントラスト(TS-TCC)を用いた教師なし時系列表現学習フレームワークを提案する。 第一に、生の時系列データは、弱い、強い拡張を用いて、2つの異なる相関するビューに変換される。 第2に,厳密な横断的予測タスクを設計することにより,頑健な時間的表現を学習するための新しい時間的コントラストモジュールを提案する。 第三に、識別的表現をさらに学習するために、時間的コントラストモジュールからコンテキスト上に構築された文脈的コントラストモジュールを提案する。
  論文  参考訳（メタデータ） (2021-06-26T23:56:31Z)

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。