論文の概要: From Time Series to Networks in R with the ts2net Package

• arxiv url: http://arxiv.org/abs/2208.09660v1
• Date: Sat, 20 Aug 2022 11:25:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 14:21:22.894142
• Title: From Time Series to Networks in R with the ts2net Package
• Title（参考訳）: ts2netパッケージによるRの時系列からネットワークへ
• Authors: Leonardo N. Ferreira
• Abstract要約: 本稿では1つまたは複数の時系列をネットワークにモデル化するRパッケージであるts2netについて述べる。 このパッケージは、並列およびスーパーコンピュータで容易に計算できる時系列距離関数を提供する。 Ts2netはまた、単一の時系列を、繰り返しネットワーク、可視グラフ、遷移ネットワークなどのネットワークに変換する方法を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network science established itself as a prominent tool for modeling time series and complex systems. This modeling process consists of transforming a set or a single time series into a network. Nodes may represent complete time series, segments, or single values, while links define associations or similarities between the represented parts. R is one of the main programming languages used in data science, statistics, and machine learning, with many packages available. However, no single package provides the necessary methods to transform time series into networks. This paper presents ts2net, an R package for modeling one or multiple time series into networks. The package provides the time series distance functions that can be easily computed in parallel and in supercomputers to process larger data sets and methods to transform distance matrices into networks. Ts2net also provides methods to transform a single time series into a network, such as recurrence networks, visibility graphs, and transition networks. Together with other packages, ts2net permits using network science and graph mining tools to extract information from time series.
• Abstract（参考訳）: ネットワーク科学は、時系列や複雑なシステムをモデリングするための重要なツールとして確立した。 このモデリングプロセスは、集合または単一の時系列をネットワークに変換することによって構成される。 ノードは完全な時系列、セグメント、または単一の値を表し、リンクは表現された部分間の関連や類似を定義する。 Rはデータサイエンス、統計学、機械学習で使われる主要なプログラミング言語の1つで、多くのパッケージが利用可能である。 しかし、時系列をネットワークに変換するために必要な方法を提供する単一のパッケージは存在しない。 本稿では1つまたは複数の時系列をネットワークにモデル化するRパッケージts2netを提案する。 このパッケージは、並列およびスーパーコンピュータで容易に計算できる時系列距離関数を提供し、より大きなデータセットと、距離行列をネットワークに変換する方法を処理する。 ts2netはまた、再帰ネットワーク、可視性グラフ、遷移ネットワークなどの単一の時系列をネットワークに変換する方法を提供する。 他のパッケージとともに、ts2netはネットワーク科学とグラフマイニングツールを使用して時系列から情報を抽出することができる。

関連論文リスト

• RandomNet: Clustering Time Series Using Untrained Deep Neural Networks [1.5860429142045245]
  我々は、訓練されていないディープニューラルネットワークをクラスタ時系列に利用する新しいアプローチRandomNetを提案する。 我々は、よく知られたUCR時系列アーカイブにおいて、128のデータセット全てについて広範な実験を行う。 実験の結果,提案手法は既存の最先端手法と競合することがわかった。
  論文  参考訳（メタデータ） (2024-08-15T06:09:19Z)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• 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)
• 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)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Gated Res2Net for Multivariate Time Series Analysis [8.685598820025383]
  本稿では、ゲート機構とRes2Netの思考に基づくバックボーン畳み込みニューラルネットワークを提案する。 GRes2Netは最先端のメソッドよりもパフォーマンスが優れており、優位性を示している。
  論文  参考訳（メタデータ） (2020-09-19T01:45:41Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• A Deep Structural Model for Analyzing Correlated Multivariate Time Series [11.009809732645888]
  相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。 モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。 我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
  論文  参考訳（メタデータ） (2020-01-02T18:48:29Z)

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。