Fugu-MT 論文翻訳(概要): Enhancing Transformer Efficiency for Multivariate Time Series Classification

論文の概要: Enhancing Transformer Efficiency for Multivariate Time Series Classification

arxiv url: http://arxiv.org/abs/2203.14472v1
Date: Mon, 28 Mar 2022 03:25:19 GMT
ステータス: 処理完了
システム内更新日: 2022-03-29 13:41:36.468720
Title: Enhancing Transformer Efficiency for Multivariate Time Series Classification
Title（参考訳）: 多変量時系列分類における変圧器効率の向上
Authors: Yuqing Wang, Yun Zhao, Linda Petzold
Abstract要約: 本稿では,モデル効率と精度,複雑さの関係を考察する手法を提案する。ベンチマークMSSデータセットの総合実験により,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）: 12.128991867050487
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Most current multivariate time series (MTS) classification algorithms focus on improving the predictive accuracy. However, for large-scale (either high-dimensional or long-sequential) time series (TS) datasets, there is an additional consideration: to design an efficient network architecture to reduce computational costs such as training time and memory footprint. In this work we propose a methodology based on module-wise pruning and Pareto analysis to investigate the relationship between model efficiency and accuracy, as well as its complexity. Comprehensive experiments on benchmark MTS datasets illustrate the effectiveness of our method.
Abstract（参考訳）: 現在の多変量時系列(MTS)分類アルゴリズムは、予測精度の向上に重点を置いている。しかし、大規模な(高次元または長周期の)時系列データセットには、トレーニング時間やメモリフットプリントなどの計算コストを削減するための効率的なネットワークアーキテクチャを設計する、という別の考慮がある。本研究では,モジュールワイドプルーニングとパレート解析に基づく手法を提案し,モデル効率と精度,複雑さの関係について検討する。ベンチマークMSSデータセットの総合実験により,本手法の有効性が示された。

関連論文リスト

Temporal Streaming Batch Principal Component Analysis for Time Series Classification [4.622165486890317]
時系列データに対する主成分分析(PCA)に基づく時間的ストリーミング圧縮と次元削減アルゴリズムを提案する。提案手法は,シーケンス長の増加に伴って効率が向上する傾向を示す。
論文参考訳（メタデータ） (2024-10-28T08:11:17Z)
TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
論文参考訳（メタデータ） (2024-06-18T16:07:33Z)
SMORE: Similarity-based Hyperdimensional Domain Adaptation for Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。 SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文参考訳（メタデータ） (2024-02-20T18:48:49Z)
Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。本手法はLSTMの重みと偏りを分割的に最適化する。イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文参考訳（メタデータ） (2023-12-29T08:42:10Z)
Multi-scale Transformer Pyramid Networks for Multivariate Time Series Forecasting [8.739572744117634]
短時間の時間依存性をキャプチャする次元不変な埋め込み手法を導入する。本稿では,マルチスケールトランスフォーマーピラミッドネットワーク(MTPNet)を提案する。
論文参考訳（メタデータ） (2023-08-23T06:40:05Z)
FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文参考訳（メタデータ） (2023-02-20T07:46:14Z)
MTSMAE: Masked Autoencoders for Multivariate Time-Series Forecasting [6.497816402045097]
MTSMAEと呼ばれるMasked Autoencoders (MAE) に基づく自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2022-10-04T03:06:21Z)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
Robust Augmentation for Multivariate Time Series Classification [20.38907456958682]
カットアウト,カットミックス,ミックスアップ,ウィンドウワープの簡単な方法により,堅牢性と全体的な性能が向上することを示す。 InceptionTimeネットワークは18種類のデータセットで精度を1%から45%向上することを示す。
論文参考訳（メタデータ） (2022-01-27T18:57:49Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。