論文の概要: Group GAN
- arxiv url: http://arxiv.org/abs/2205.13741v1
- Date: Fri, 27 May 2022 03:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 14:49:13.287987
- Title: Group GAN
- Title(参考訳): グループgan
- Authors: Ali Seyfi, Jean-Francois Rajotte, Raymond T. Ng
- Abstract要約: 本稿では,時系列の共通点を考慮し,チャネル間関係の保存を優先する新しい枠組みを提案する。
提案手法はチャネル相関の保存に有効であり, 医用データや財務データを用いて, 下流のタスクを非常によく行うことを実証的に実証した。
- 参考スコア(独自算出の注目度): 1.1786249372283564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating multivariate time series is a promising approach for sharing
sensitive data in many medical, financial, and IoT applications. A common type
of multivariate time series originates from a single source such as the
biometric measurements from a medical patient. This leads to complex dynamical
patterns between individual time series that are hard to learn by typical
generation models such as GANs. There is valuable information in those patterns
that machine learning models can use to better classify, predict or perform
other downstream tasks. We propose a novel framework that takes time series'
common origin into account and favors inter-channel relationship preservation.
The two key points of our method are: 1) the individual time series are
generated from a common point in latent space and 2) a central discriminator
favors the preservation of inter-channel dynamics. We demonstrate empirically
that our method helps preserve channel correlations and that our synthetic data
performs very well downstream tasks with medical and financial data.
- Abstract(参考訳): 多変量時系列の生成は、多くの医療、財務、IoTアプリケーションで機密データを共有するための有望なアプローチである。
多変量時系列の一般的なタイプは、医療患者からの生体計測のような単一の源に由来する。
これはgansのような典型的な生成モデルでは習得が難しい個々の時系列間の複雑な動的パターンをもたらす。
これらのパターンには、機械学習モデルが他の下流タスクの分類、予測、実行に利用できる貴重な情報があります。
本稿では,時系列の共通起源を考慮し,チャネル間関係の保存を好む新しい枠組みを提案する。
この方法の2つの重要なポイントは
1) 個々の時系列は、潜時空間の共通点から生成され、
2) 中心判別器はチャネル間ダイナミクスの保存を好む。
本手法がチャネル相関の保存に有効であること,また,医療・金融データを用いて下降処理を行うことを実証的に示す。
関連論文リスト
- 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) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳(メタデータ) (2023-02-24T13:30:35Z) - GT-GAN: General Purpose Time Series Synthesis with Generative
Adversarial Networks [11.157586814297138]
本稿では,通常の時系列データと不規則時系列データを合成する汎用モデルを提案する。
我々は,多くの関連技術が注意深く1つのフレームワークに統合される,生成的対向的ネットワークベースの手法を設計する。
論文 参考訳(メタデータ) (2022-10-05T06:18:06Z) - 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) - 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) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-09-30T20:01:19Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
時系列データ上で異なるタスクに成功しているモデルを最近導入した。
本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。
実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
論文 参考訳(メタデータ) (2021-02-10T15:49:27Z) - Pay Attention to Evolution: Time Series Forecasting with Deep
Graph-Evolution Learning [33.79957892029931]
本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。
Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。
多数のアンサンブル法と古典統計法との比較を行った。
論文 参考訳(メタデータ) (2020-08-28T20:10:07Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - Deep Transformer Models for Time Series Forecasting: The Influenza
Prevalence Case [2.997238772148965]
時系列データは、多くの科学と工学の分野で広く使われている。
本稿では,トランスフォーマーに基づく機械学習モデルを用いた時系列予測の新しい手法を提案する。
提案手法により得られた予測結果は,最先端技術と良好に比較できることを示す。
論文 参考訳(メタデータ) (2020-01-23T00:22:22Z)
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。