論文の概要: Towards Symbolic Time Series Representation Improved by Kernel Density Estimators

• arxiv url: http://arxiv.org/abs/2205.12960v1
• Date: Wed, 25 May 2022 13:16:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 13:21:16.303292
• Title: Towards Symbolic Time Series Representation Improved by Kernel Density Estimators
• Title（参考訳）: カーネル密度推定器によるシンボル時系列表現の改善に向けて
• Authors: Matej Kloska and Viera Rozinajova
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper deals with symbolic time series representation. It builds up on the popular mapping technique Symbolic Aggregate approXimation algorithm (SAX), which is extensively utilized in sequence classification, pattern mining, anomaly detection, time series indexing and other data mining tasks. However, the disadvantage of this method is, that it works reliably only for time series with Gaussian-like distribution. In our previous work we have proposed an improvement of SAX, called dwSAX, which can deal with Gaussian as well as non-Gaussian data distribution. Recently we have made further progress in our solution - edwSAX. Our goal was to optimally cover the information space by means of sufficient alphabet utilization; and to satisfy lower bounding criterion as tight as possible. We describe here our approach, including evaluation on commonly employed tasks such as time series reconstruction error and Euclidean distance lower bounding with promising improvements over SAX.
• Abstract（参考訳）: 本稿では,記号的時系列表現を扱う。 これは、シーケンス分類、パターンマイニング、異常検出、時系列インデクシング、その他のデータマイニングタスクで広く使われている、一般的なマッピングテクニックであるシンボリックアグリゲート近似アルゴリズム(sax)に基づいている。 しかし、この方法の欠点は、ガウス分布を持つ時系列に対してのみ確実に動作することである。 これまでの研究で我々は,ガウスと非ガウスのデータ分布を扱うことができるdwSAXと呼ばれるSAXの改良を提案してきた。 最近、我々のソリューション、edwSAXをさらに進歩させました。 我々の目標は、十分なアルファベット利用によって情報空間を最適にカバーし、できるだけ低い境界基準を満たすことであった。 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。

関連論文リスト

• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [70.26374282390401]
  ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。 本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)
• 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)
• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• Sparse-Group Log-Sum Penalized Graphical Model Learning For Time Series [12.843340232167266]
  定常多変量ガウス時系列の条件独立グラフ(CIG)を推定する問題を考察する。 スパース群ラスソに基づく周波数領域の定式化が文献で検討されている。 合成データと実データの両方を活用するアプローチについて説明する。
  論文  参考訳（メタデータ） (2022-04-29T00:06:41Z)
• 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)
• TSAX is Trending [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。
  論文  参考訳（メタデータ） (2021-12-24T02:34:50Z)
• MrSQM: Fast Time Series Classification with Symbolic Representations [11.853438514668207]
  MrSQMは複数のシンボル表現と効率的なシーケンスマイニングを使用して重要な時系列特徴を抽出する。 本研究は, 完全教師付きから非教師付き, ハイブリッドまで, 記号列の4つの特徴選択手法について検討する。 UEA/UCRベンチマークの112のデータセットに対する実験では、MrSQMがすぐに有用な特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2021-09-02T15:54:46Z)
• Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial Attacks [86.88061841975482]
  我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。 我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。 提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
  論文  参考訳（メタデータ） (2020-10-08T18:36:51Z)
• 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)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)

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。