論文の概要: Transfer learning for time series classification using synthetic data
generation
- arxiv url: http://arxiv.org/abs/2207.07897v1
- Date: Sat, 16 Jul 2022 10:35:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 17:50:25.923325
- Title: Transfer learning for time series classification using synthetic data
generation
- Title(参考訳): 合成データ生成を用いた時系列分類のための転送学習
- Authors: Yarden Rotem and Nathaniel Shimoni and Lior Rokach and Bracha Shapira
- Abstract要約: 時系列分類のための革新的なトランスファー学習法を提案する。
UCRアーカイブから既存のデータセットをソースデータセットとして使用する代わりに、15,000,000の単変量時系列データセットを生成しました。
また、55個の回帰タスクをソースタスクとして使用し、UCCアーカイブから分類タスクを選択するよりも優れた結果を得た。
- 参考スコア(独自算出の注目度): 15.73311395567215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose an innovative Transfer learning for Time series
classification method. Instead of using an existing dataset from the UCR
archive as the source dataset, we generated a 15,000,000 synthetic univariate
time series dataset that was created using our unique synthetic time series
generator algorithm which can generate data with diverse patterns and angles
and different sequence lengths. Furthermore, instead of using classification
tasks provided by the UCR archive as the source task as previous studies did,we
used our own 55 regression tasks as the source tasks, which produced better
results than selecting classification tasks from the UCR archive
- Abstract(参考訳): 本稿では,時系列分類のための革新的な転送学習を提案する。
UCRアーカイブの既存のデータセットをソースデータセットとして使用する代わりに、15,000,000の合成単変量時系列データセットを生成しました。
さらに、以前の研究と同様にUCCアーカイブが提供する分類タスクをソースタスクとして使用する代わりに、独自の55の回帰タスクをソースタスクとして使用し、UCCアーカイブから分類タスクを選択するよりも優れた結果を得た。
関連論文リスト
- Chronos: Learning the Language of Time Series [79.45082787390962]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-03-12T16:53:54Z) - Temporal Treasure Hunt: Content-based Time Series Retrieval System for
Discovering Insights [34.1973242428317]
時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。
Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。
我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
論文 参考訳(メタデータ) (2023-11-05T04:12:13Z) - RED CoMETS: An ensemble classifier for symbolically represented
multivariate time series [1.0878040851638]
本稿ではRED CoMETSと呼ばれる新しいアンサンブル分類器を紹介する。
レッド・コメッツ (Red CoMETS) は、一変量時系列を象徴的に表すために特別に設計されたアンサンブル分類器であるコアイ (Co-eye) の成功に基づいている。
これは'HandMovementDirection'データセットの文献で報告された最も高い精度を達成する。
論文 参考訳(メタデータ) (2023-07-25T17:36:34Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - 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) - TTS-GAN: A Transformer-based Time-Series Generative Adversarial Network [4.989480853499916]
時系列データは、医療機械学習アプリケーションで使用される最も一般的なタイプのデータの1つである。
本稿では,現実的な合成時系列データ列を生成可能な変換器ベースのGANであるTS-GANを紹介する。
実時間と生成した時系列データの類似性を実証するために,可視化と次元削減技術を用いている。
論文 参考訳(メタデータ) (2022-02-06T03:05:47Z) - Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。
RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。
不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文 参考訳(メタデータ) (2021-11-16T11:31:37Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Interpretable Time Series Classification using Linear Models and
Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。
提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。
我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
論文 参考訳(メタデータ) (2020-05-31T15:32:08Z)
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。