論文の概要: ClaSP -- Parameter-free Time Series Segmentation
- arxiv url: http://arxiv.org/abs/2207.13987v1
- Date: Thu, 28 Jul 2022 10:05:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 12:08:48.685000
- Title: ClaSP -- Parameter-free Time Series Segmentation
- Title（参考訳）: ClaSP --パラメータフリー時系列セグメンテーション
- Authors: Arik Ermshaus, Patrick Sch\"afer, Ulf Leser
- Abstract要約: 時系列セグメンテーションのための新しい,高精度かつドメインに依存しない手法である ClaSP を提案する。
ClaSP は、TS を2つの部分に階層的に分割する。変更点は、可能な分割点ごとにバイナリTS分類器を訓練し、それぞれの分割からサブシーケンスを特定するのに最適な1つの分割を選択することによって決定される。
実験では,115データセットのベンチマークを用いて,ClaSPが精度で高い性能を示し,高速かつスケーラブルであることを示す。
- 参考スコア（独自算出の注目度）: 6.533695062182296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The study of natural and human-made processes often results in long sequences
of temporally-ordered values, aka time series (TS). Such processes often
consist of multiple states, e.g. operating modes of a machine, such that state
changes in the observed processes result in changes in the distribution of
shape of the measured values. Time series segmentation (TSS) tries to find such
changes in TS post-hoc to deduce changes in the data-generating process. TSS is
typically approached as an unsupervised learning problem aiming at the
identification of segments distinguishable by some statistical property.
Current algorithms for TSS require domain-dependent hyper-parameters to be set
by the user, make assumptions about the TS value distribution or the types of
detectable changes which limits their applicability. Common hyperparameters are
the measure of segment homogeneity and the number of change points, which are
particularly hard to tune for each data set. We present ClaSP, a novel, highly
accurate, hyper-parameter-free and domain-agnostic method for TSS. ClaSP
hierarchically splits a TS into two parts. A change point is determined by
training a binary TS classifier for each possible split point and selecting the
one split that is best at identifying subsequences to be from either of the
partitions. ClaSP learns its main two model-parameters from the data using two
novel bespoke algorithms. In our experimental evaluation using a benchmark of
115 data sets, we show that ClaSP outperforms the state of the art in terms of
accuracy and is fast and scalable. Furthermore, we highlight properties of
ClaSP using several real-world case studies.
- Abstract（参考訳）: 自然および人為的なプロセスの研究は、しばしば時間順の長い時系列、すなわち時系列(TS)をもたらす。
このようなプロセスは、しばしば機械の動作モードのような複数の状態から成り、観察されたプロセスの状態変化は測定された値の形状の分布の変化をもたらす。
時系列セグメンテーション(TSS)は、データ生成プロセスの変化を推論するために、TSポストホックでそのような変化を見つけようとする。
TSSは通常、統計特性によって識別可能なセグメントの識別を目的とした教師なし学習問題としてアプローチされる。
TSSの現在のアルゴリズムでは、ユーザが設定するドメイン依存のハイパーパラメータ、TS値の分布や適用性を制限する検出可能な変更のタイプについて仮定する必要がある。
一般的なハイパーパラメータはセグメントの均質性と変更点の数の尺度であり、データセットごとに特に調整が難しい。
本稿では,tssの新規かつ高精度,超パラメータフリーかつドメイン非依存な手法であるclaspを提案する。
ClaSPはTSを2つの部分に分割する。
変更点は、可能なスプリットポイント毎にバイナリTS分類器を訓練し、それぞれのパーティションからサブシーケンスを特定するのに最適な1つのスプリットを選択することで決定される。
ClaSPは、2つの新しいbespokeアルゴリズムを使用して、データから2つのモデルパラメータを学習する。
115のデータセットのベンチマークを用いた実験評価において,claspは精度の面では最先端を上回り,高速かつスケーラブルであることを示した。
さらに,いくつかの実世界のケーススタディを用いてclaspの特性を強調する。
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) - Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。
実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
論文 参考訳（メタデータ） (2024-07-10T00:54:42Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。
我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。
これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文 参考訳（メタデータ） (2024-03-01T15:14:47Z) - Raising the ClaSS of Streaming Time Series Segmentation [3.572107803162503]
本稿では,ストリーミング時系列セグメンテーションのための新しい,効率的かつ高精度なアルゴリズムであるClaSSを紹介する。
ClaSSは8つの最先端の競合よりはるかに正確である。
また、Apache Flinkストリーミングエンジンでは、平均スループットが毎秒1Kのデータポイントを持つウィンドウオペレータとしてClaSSを提供しています。
論文 参考訳（メタデータ） (2023-10-31T13:07:41Z) - Evaluating Explanation Methods for Multivariate Time Series
Classification [4.817429789586127]
本論文の主な焦点は多変量時系列分類(MTSC)に適した説明手法の分析と評価である。
分類決定に最も関係の深いチャンネルや時系列ポイントを指摘できる唾液度に基づく説明法に着目する。
これらの手法を3つの合成データセットと2つの実世界のデータセットで検討し、提供された説明を定量的に定性的に分析する。
論文 参考訳（メタデータ） (2023-08-29T11:24:12Z) - Enhancing Multivariate Time Series Classifiers through Self-Attention
and Relative Positioning Infusion [4.18804572788063]
時系列分類(TSC)は、多くのビジュアルコンピューティングアプリケーションにとって重要かつ困難な課題である。
本稿では,深層学習に基づくTSCアプローチを強化する2つの新しいアテンションブロックを提案する。
提案するアテンションブロックを追加することで,ベースモデルの平均精度が最大3.6%向上することを示す。
論文 参考訳（メタデータ） (2023-02-13T20:50:34Z) - Autoencoder Based Iterative Modeling and Multivariate Time-Series
Subsequence Clustering Algorithm [0.0]
本稿では、過渡時系列データ(MTSD)における変化点の検出と対応する部分列の同定のためのアルゴリズムを提案する。
我々は、リカレントニューラルネットワーク(RNN)ベースのオートエンコーダ(AE)を用いて、入ってくるデータに基づいて反復的に訓練する。
同定されたサブシーケンスのモデルを保存し、繰り返しサブシーケンスの認識と高速オフラインクラスタリングに使用する。
論文 参考訳（メタデータ） (2022-09-09T09:59:56Z) - 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) - 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) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z)
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。