論文の概要: Using Machine Learning to Augment Dynamic Time Warping Based Signal Classification

• arxiv url: http://arxiv.org/abs/2206.07200v1
• Date: Tue, 14 Jun 2022 23:01:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 11:01:42.466081
• Title: Using Machine Learning to Augment Dynamic Time Warping Based Signal Classification
• Title（参考訳）: 機械学習を用いた動的時間ワープに基づく信号分類の強化
• Authors: Arvind Seshan
• Abstract要約: 私の目標は、高い精度を維持しながらDTWの速度を改善することです。 機械学習DTW(MLDTW)と呼ばれる私のシステムは、機械学習を使って特定のドメインで一般的なワープの種類を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern applications such as voice recognition rely on the ability to compare signals to pre-recorded ones to classify them. However, this comparison typically needs to ignore differences due to signal noise, temporal offset, signal magnitude, and other external factors. The Dynamic Time Warping (DTW) algorithm quantifies this similarity by finding corresponding regions between the signals and non-linearly warping one signal by stretching and shrinking it. Unfortunately, searching through all "warps" of a signal to find the best corresponding regions is computationally expensive. The FastDTW algorithm improves performance, but sacrifices accuracy by only considering small signal warps. My goal is to improve the speed of DTW while maintaining high accuracy. My key insight is that in any particular application domain, signals exhibit specific types of variation. For example, the accelerometer signal measured for two different people would differ based on their stride length and weight. My system, called Machine Learning DTW (MLDTW), uses machine learning to learn the types of warps that are common in a particular domain. It then uses the learned model to improve DTW performance by limiting the search of potential warps appropriately. My results show that compared to FastDTW, MLDTW is at least as fast and reduces errors by 60% on average across four different data sets. These improvements will significantly impact a wide variety of applications (e.g. health monitoring) and enable more scalable processing of multivariate, higher frequency, and longer signal recordings.
• Abstract（参考訳）: 音声認識のような現代のアプリケーションは、信号と録音済みの信号を比較して分類する能力に依存している。 しかし、この比較は通常、信号ノイズ、時間オフセット、信号の大きさ、その他の外部要因による違いを無視する必要がある。 dynamic time warping (dtw) アルゴリズムは、信号間の対応する領域を見つけ、それを伸縮することで1つの信号を非線形に歪めることで、この類似性を定量化する。 残念なことに、最高の対応する領域を見つけるために信号の「ワープ」を検索するのは計算コストがかかる。 FastDTWアルゴリズムは性能を改善するが、小さな信号のワープのみを考慮して精度を犠牲にする。 私の目標は、高い精度を維持しながらDTWの速度を改善することです。 私の重要な洞察は、特定のアプリケーション領域において、信号は特定の種類のバリエーションを示すということです。 例えば、2人の異なる人の加速度計の信号は、その歩幅と重さによって異なる。 機械学習DTW(MLDTW)と呼ばれる私のシステムは、機械学習を使って特定のドメインで一般的なワープの種類を学習する。 次に、学習したモデルを使用して、潜在的なワープの探索を適切に制限することでDTWのパフォーマンスを向上させる。 私の結果は、FastDTWと比較して、MLDTWは少なくとも高速であり、4つの異なるデータセットで平均60%エラーを削減します。 これらの改善は、様々なアプリケーション(例えば健康モニタリング)に大きな影響を与え、多変量、高い周波数、より長い信号記録のよりスケーラブルな処理を可能にする。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• TIM: A Time Interval Machine for Audio-Visual Action Recognition [64.24297230981168]
  音声と視覚イベントの時間的範囲を明示的にモデル化することで、長いビデオにおける2つのモード間の相互作用に対処する。 本稿では,TIM (Time Interval Machine) を提案する。 我々は、EPIC-KITCHENS、Perception Test、AVEの3つの長い音声視覚ビデオデータセットでTIMをテストする。
  論文  参考訳（メタデータ） (2024-04-08T14:30:42Z)
• Transportation mode recognition based on low-rate acceleration and location signals with an attention-based multiple-instance learning network [4.864246405617091]
  交通モード認識(TMR)はヒト活動認識(HAR)の重要な構成要素である そこで本研究では,2種類の信号を有効かつロバストな分類器に組み合わせる手法を提案する。 両信号のサンプリングレートが非常に低いので, 電池消費を抑えることができる。
  論文  参考訳（メタデータ） (2024-04-05T11:49:48Z)
• ASAG: Building Strong One-Decoder-Layer Sparse Detectors via Adaptive Sparse Anchor Generation [50.01244854344167]
  適応スパースアンカージェネレータ(ASAG)の提案により、スパース検出器と密度検出器のパフォーマンスギャップを橋渡しする。 ASAGは、グリッドではなくパッチの動的なアンカーを予測することで、機能競合の問題を軽減する。 提案手法は高密度な手法より優れ,高速かつ高精度なトレードオフを実現する。
  論文  参考訳（メタデータ） (2023-08-18T02:06:49Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
  ドライバーの気晴らしが道路事故の主要な原因であることが知られている。 State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。 本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-17T21:22:41Z)
• Low Latency Real-Time Seizure Detection Using Transfer Deep Learning [0.0]
  スカルプ脳波(EEG)信号は本質的に低信号-雑音比を有する。 ディープラーニングを用いた発作検出における最も一般的なアプローチは、この情報を共同でモデル化したり、信号に複数のパスを必要とすることはない。 本稿では,マルチチャネル信号をグレースケール画像に変換すると同時に,転送学習を用いて高い性能を実現する。
  論文  参考訳（メタデータ） (2022-02-16T00:03:00Z)
• Drop-DTW: Aligning Common Signal Between Sequences While Dropping Outliers [33.174893836302005]
  そこで本研究では,一致から外れ値要素を自動的に削除しながら,シーケンス間の共通信号を整列する新しいアルゴリズムDrop-DTWを提案する。 実験の結果,Drop-DTWはシーケンス検索に頑健な類似性尺度であり,多様なアプリケーションに対するトレーニング損失としての有効性を示した。
  論文  参考訳（メタデータ） (2021-08-26T18:52:35Z)
• On Transfer Learning of Traditional Frequency and Time Domain Features in Turning [1.0965065178451106]
  我々は従来の信号処理ツールを用いて、回転実験から得られた加速度計信号のチャタを識別する。 タグ付けされた信号は、分類器の訓練に使用される。 その結果、フーリエスペクトルから抽出した特徴は、分類器を訓練し、同じ切断構成からデータをテストする際に最も有益であることがわかった。
  論文  参考訳（メタデータ） (2020-08-28T14:47:57Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。