論文の概要: SOM-CPC: Unsupervised Contrastive Learning with Self-Organizing Maps for
Structured Representations of High-Rate Time Series
- arxiv url: http://arxiv.org/abs/2205.15875v2
- Date: Thu, 25 May 2023 15:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-27 00:14:52.016658
- Title: SOM-CPC: Unsupervised Contrastive Learning with Self-Organizing Maps for
Structured Representations of High-Rate Time Series
- Title(参考訳): SOM-CPC:高次時系列構造表現のための自己組織化マップを用いた教師なしコントラスト学習
- Authors: Iris A.M. Huijben, Arthur A. Nijdam, Sebastiaan Overeem, Merel M. van
Gilst, Ruud J.G. van Sloun
- Abstract要約: 我々は,高次元情報を保存しながら,組織化された2次元多様体内のデータを可視化するモデルSOM-CPCを提案する。
我々は,SOM-CPCがDLベースの特徴抽出のような強力なベースラインよりも優れている,合成データと実生活データ(生理データとオーディオ記録)の両方について示す。
- 参考スコア(独自算出の注目度): 23.074319429090092
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Continuous monitoring with an ever-increasing number of sensors has become
ubiquitous across many application domains. However, acquired time series are
typically high-dimensional and difficult to interpret. Expressive deep learning
(DL) models have gained popularity for dimensionality reduction, but the
resulting latent space often remains difficult to interpret. In this work we
propose SOM-CPC, a model that visualizes data in an organized 2D manifold,
while preserving higher-dimensional information. We address a largely
unexplored and challenging set of scenarios comprising high-rate time series,
and show on both synthetic and real-life data (physiological data and audio
recordings) that SOM-CPC outperforms strong baselines like DL-based feature
extraction, followed by conventional dimensionality reduction techniques, and
models that jointly optimize a DL model and a Self-Organizing Map (SOM).
SOM-CPC has great potential to acquire a better understanding of latent
patterns in high-rate data streams.
- Abstract(参考訳): センサの数が増え続ける継続的監視は、多くのアプリケーションドメインで広く行われている。
しかし、取得した時系列は通常高次元で解釈が難しい。
表現型深層学習(DL)モデルは次元の減少に人気があるが、結果として生じる潜伏空間はしばしば解釈が困難である。
本研究では,高次元情報を保存しながら,組織化された2次元多様体内のデータを可視化するモデルSOM-CPCを提案する。
我々は、高レート時系列を含むほとんど探索されていない難解なシナリオに対処し、SOM-CPCがDLベースの特徴抽出などの強力なベースラインを上回り、続いて従来の次元削減技術、DLモデルと自己組織化マップ(SOM)を協調的に最適化するモデルを示す。
SOM-CPCは、高速データストリームにおける潜伏パターンをよりよく理解する可能性がある。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective [66.79255404792849]
本稿では,カオス理論を長期時系列予測(LTSF)タスクに導入する。
我々のモデルである textbftextitAttraos はカオス理論をLTSFに組み込み、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
歴史的力学構造を記憶し、周波数を拡大した局所進化戦略によって予測する。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Hierarchical Joint Graph Learning and Multivariate Time Series
Forecasting [0.16492989697868887]
本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。
我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。
提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
論文 参考訳(メタデータ) (2023-11-21T14:24:21Z) - Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。
近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。
LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
論文 参考訳(メタデータ) (2022-12-24T15:17:42Z) - Progressive Multi-view Human Mesh Recovery with Self-Supervision [68.60019434498703]
既存のソリューションは通常、新しい設定への一般化性能の低下に悩まされる。
マルチビューヒューマンメッシュリカバリのためのシミュレーションに基づく新しいトレーニングパイプラインを提案する。
論文 参考訳(メタデータ) (2022-12-10T06:28:29Z) - Deep Direct Discriminative Decoders for High-dimensional Time-series
Data Analysis [0.0]
状態空間モデル(SSM)は時系列データの解析に広く利用されている。
本研究では,高次元観察プロセスにおけるSSMの新しい定式化を提案する。
我々は,高次元観測信号を用いて基礎となる状態過程を効率的に推定する新しいソリューションを構築した。
論文 参考訳(メタデータ) (2022-05-22T22:44:41Z) - Large Scale Time-Series Representation Learning via Simultaneous Low and
High Frequency Feature Bootstrapping [7.0064929761691745]
本稿では,非コントラスト型自己教師型学習手法を提案する。
提案手法は生の時系列データを入力として、モデルの2つのブランチに対して2つの異なる拡張ビューを生成する。
モデルの堅牢性を実証するために,5つの実世界の時系列データセットに関する広範な実験とアブレーション研究を行った。
論文 参考訳(メタデータ) (2022-04-24T14:39:47Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Unsupervised Video Decomposition using Spatio-temporal Iterative
Inference [31.97227651679233]
マルチオブジェクトシーンの分解は、学習において急速に進化する問題である。
色情報のないモデルでも精度が高いことを示す。
本稿では, モデルの分解, セグメント化予測能力を実証し, いくつかのベンチマークデータセットにおいて, 最先端のモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-06-25T22:57:17Z)
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。