論文の概要: Dynamic Time Warping based Adversarial Framework for Time-Series Domain

• arxiv url: http://arxiv.org/abs/2207.04308v1
• Date: Sat, 9 Jul 2022 17:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 09:41:50.339184
• Title: Dynamic Time Warping based Adversarial Framework for Time-Series Domain
• Title（参考訳）: 動的時間ワープに基づく時系列領域の逆フレームワーク
• Authors: Taha Belkhouja, Yan Yan, Janardhan Rao Doppa
• Abstract要約: 適応ロバストネスのための動的時間ウォーピング(DTW-AR)と呼ばれる時系列領域のための新しいフレームワークを提案する。 理論解析によって正当化された原理的アルゴリズムを開発し、ランダムなアライメントパスを用いて、多様な逆例を効率的に生成する。 多様な実世界のベンチマーク実験では、DTW-ARが時系列データに対してDNNを騙し、敵の訓練によってその堅牢性を向上させることが示されている。
• 参考スコア（独自算出の注目度）: 32.45387153404849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the rapid progress on research in adversarial robustness of deep neural networks (DNNs), there is little principled work for the time-series domain. Since time-series data arises in diverse applications including mobile health, finance, and smart grid, it is important to verify and improve the robustness of DNNs for the time-series domain. In this paper, we propose a novel framework for the time-series domain referred as {\em Dynamic Time Warping for Adversarial Robustness (DTW-AR)} using the dynamic time warping measure. Theoretical and empirical evidence is provided to demonstrate the effectiveness of DTW over the standard Euclidean distance metric employed in prior methods for the image domain. We develop a principled algorithm justified by theoretical analysis to efficiently create diverse adversarial examples using random alignment paths. Experiments on diverse real-world benchmarks show the effectiveness of DTW-AR to fool DNNs for time-series data and to improve their robustness using adversarial training. The source code of DTW-AR algorithms is available at https://github.com/tahabelkhouja/DTW-AR
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)の対角的堅牢性の研究が急速に進んでいるにもかかわらず、時系列領域には原則的な仕事はほとんどない。 時系列データは、モバイルヘルス、金融、スマートグリッドなどの多様なアプリケーションで発生するため、時系列領域におけるDNNの堅牢性を検証することが重要である。 本稿では, 動的時間ゆがみ尺度を用いて, {\em dynamic time warping for adversarial robustness (dtw-ar)} と呼ばれる時系列領域の新しい枠組みを提案する。 画像領域の先行手法で用いられる標準ユークリッド距離測定値に対するDTWの有効性を示す理論的および実証的な証拠が提供される。 理論解析によって正当化される原理付きアルゴリズムを開発し,ランダムアライメントパスを用いた多様な逆例を効率的に作成する。 多様な実世界のベンチマーク実験では、DTW-ARが時系列データに対してDNNを騙し、敵の訓練によってその堅牢性を向上させることが示されている。 DTW-ARアルゴリズムのソースコードはhttps://github.com/tahabelkhouja/DTW-ARで公開されている。

関連論文リスト

• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• OTW: Optimal Transport Warping for Time Series [75.69837166816501]
  動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。 最適アライメント行列を正確に計算する必要がある場合、それは避けられない二次時間複雑性に悩まされる。 我々は、OTW(Optimal Transport Warping)と呼ばれる、最適輸送フレームワークに基づく時系列データのための新しいメトリクスを導入する。
  論文  参考訳（メタデータ） (2023-06-01T12:45:00Z)
• Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths [54.53208538517505]
  本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。 そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。 この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
  論文  参考訳（メタデータ） (2023-03-19T21:58:37Z)
• Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
  動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。 提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-01-30T13:27:47Z)
• 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)
• Training Robust Deep Models for Time-Series Domain: Novel Algorithms and Theoretical Analysis [32.45387153404849]
  時系列分類タスクのための堅牢なDNNを作成するために,RObust Training for Time-Series (RO-TS) と呼ばれる新しいフレームワークを提案する。 時系列アライメントによる和構造を用いた定式化の一般化と利点を示す。 実世界のベンチマーク実験により, RO-TSは, 対戦型トレーニングと比較して, より堅牢なDNNを生成することが示された。
  論文  参考訳（メタデータ） (2022-07-09T17:21:03Z)
• Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection [16.223509730658513]
  本稿では,ノイズや外れ値の影響を低減するため,RobostDTWという新しい時系列差分尺度を提案する。 具体的には、ロバストDTWは、設計した時間グラフトレンドフィルタリングを利用して、トレンドを推定し、時間ワープを交互に最適化する。 実世界のデータセットを用いた実験では、外乱時系列検出と周期性検出の両方において、DTWの変種と比較してロバストDTWの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-06-07T00:49:16Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW [1.282368486390644]
  動的時間ワープの下で時系列のモチーフを発見するための,最初のスケーラブルな正確な方法を提案する。 我々のアルゴリズムは、DTW計算の99.99%を許容できる。
  論文  参考訳（メタデータ） (2020-09-16T19:35:43Z)
• SRDCNN: Strongly Regularized Deep Convolution Neural Network Architecture for Time-series Sensor Signal Classification Tasks [4.950427992960756]
  SRDCNN: 時系列分類タスクを実行するために, SRDCNN(Strongly Regularized Deep Convolution Neural Network)をベースとしたディープアーキテクチャを提案する。 提案手法の新規性は、ネットワークウェイトが L1 と L2 のノルム法則によって正則化されることである。
  論文  参考訳（メタデータ） (2020-07-14T08:42:39Z)
• GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-20T10:09:27Z)

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。