論文の概要: Task-aware Similarity Learning for Event-triggered Time Series
- arxiv url: http://arxiv.org/abs/2207.08159v1
- Date: Sun, 17 Jul 2022 12:54:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 15:04:08.164008
- Title: Task-aware Similarity Learning for Event-triggered Time Series
- Title(参考訳): イベントトリガ付き時系列のためのタスク認識類似性学習
- Authors: Shaoyu Dou, Kai Yang, Yang Jiao, Chengbo Qiu, Kui Ren
- Abstract要約: 本研究の目的は,未ラベルのイベントトリガー時系列間のタスク認識類似性を学習可能な教師なし学習フレームワークを開発することである。
提案するフレームワークは,さまざまなイベントトリガー時系列の類似性をモデル化し,学習するための体系的なアプローチを実現するための,ステップストーンの提供を目指している。
- 参考スコア(独自算出の注目度): 25.101509208153804
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Time series analysis has achieved great success in diverse applications such
as network security, environmental monitoring, and medical informatics.
Learning similarities among different time series is a crucial problem since it
serves as the foundation for downstream analysis such as clustering and anomaly
detection. It often remains unclear what kind of distance metric is suitable
for similarity learning due to the complex temporal dynamics of the time series
generated from event-triggered sensing, which is common in diverse
applications, including automated driving, interactive healthcare, and smart
home automation. The overarching goal of this paper is to develop an
unsupervised learning framework that is capable of learning task-aware
similarities among unlabeled event-triggered time series. From the machine
learning vantage point, the proposed framework harnesses the power of both
hierarchical multi-scale sequence autoencoders and Gaussian Mixture Model (GMM)
to effectively learn the low-dimensional representations from the time series.
Finally, the obtained similarity measure can be easily visualized for
explaining. The proposed framework aspires to offer a stepping stone that gives
rise to a systematic approach to model and learn similarities among a multitude
of event-triggered time series. Through extensive qualitative and quantitative
experiments, it is revealed that the proposed method outperforms
state-of-the-art methods considerably.
- Abstract(参考訳): 時系列分析は、ネットワークセキュリティ、環境モニタリング、医療情報学など様々な分野で大きな成功を収めている。
クラスタリングや異常検出といった下流解析の基礎となるため、さまざまな時系列間の類似性を学ぶことは重要な問題である。
自動運転、対話型ヘルスケア、スマートホームオートメーションなど、さまざまなアプリケーションに共通するイベントトリガーセンシングから発生した時系列の複雑な時間的ダイナミクスのため、類似性学習にどのような距離メトリックが適しているかは、しばしば不明である。
本研究の目的は,ラベル付きイベントトリガー付き時系列間のタスク認識類似性を学習可能な教師なし学習フレームワークの開発である。
機械学習の優位点から、提案フレームワークは階層型マルチスケールシーケンスオートエンコーダとガウス混合モデル(GMM)の両方のパワーを利用して、時系列から低次元表現を効果的に学習する。
最後に、得られた類似度尺度を簡単に可視化して説明することができる。
提案するフレームワークは,さまざまなイベントトリガー時系列の類似性をモデル化し,学習するための体系的なアプローチを実現するための,ステップストーンの提供を目指している。
広範な質的・定量的実験により,提案手法が最先端手法を大幅に上回ることが明らかとなった。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - Bootstrap aggregation and confidence measures to improve time series
causal discovery [0.0]
本稿では,時間的依存関係とラグ構造を保存する時系列因果発見のための新しいブートストラップ手法を提案する。
我々は、この手法を、最先端の条件付き独立性に基づくアルゴリズムPCMCI+と組み合わせる。
論文 参考訳(メタデータ) (2023-06-15T08:37:16Z) - 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) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳(メタデータ) (2022-11-15T18:57:46Z) - Time Series Anomaly Detection by Cumulative Radon Features [32.36217153362305]
本研究は,分布距離測定と組み合わせた場合,浅部特徴が十分であると主張する。
提案手法は,各時系列を高次元的特徴分布としてモデル化する。
累積ラドン特徴量を用いて各時系列をパラメータ化することにより、正規時系列の分布を効率的に効果的にモデル化できることを示す。
論文 参考訳(メタデータ) (2022-02-08T18:58:53Z) - An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for
Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。
フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。
構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。
その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
論文 参考訳(メタデータ) (2022-01-23T04:01:43Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳(メタデータ) (2022-01-05T02:14:57Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Contrastive learning of strong-mixing continuous-time stochastic
processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。
拡散の場合,小~中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文 参考訳(メタデータ) (2021-03-03T23:06:47Z) - Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。
我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。
その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
論文 参考訳(メタデータ) (2021-01-25T18:57:42Z) - Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。
1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。
この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-04T07:46:19Z)
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。