論文の概要: Stop&Hop: Early Classification of Irregular Time Series

• arxiv url: http://arxiv.org/abs/2208.09795v1
• Date: Sun, 21 Aug 2022 03:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 13:46:38.961627
• Title: Stop&Hop: Early Classification of Irregular Time Series
• Title（参考訳）: Stop&Hop: 不規則時系列の早期分類
• Authors: Thomas Hartvigsen, Walter Gerych, Jidapa Thadajarassiri, Xiangnan Kong, Elke Rundensteiner
• Abstract要約: 我々は、より現実的な問題への扉を開く早期分類器のための新しい設定である不規則時系列の早期分類について研究する。 私たちのソリューションであるStop&Hopは、継続する不規則な時系列をリアルタイムにモデル化するために、連続時間リカレントネットワークを使用します。 我々は、Stop&Hopが新しい問題に適応した最先端の代替案よりも早く、より正確な予測を一貫して行うことを実証した。
• 参考スコア（独自算出の注目度）: 16.84487620364245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early classification algorithms help users react faster to their machine learning model's predictions. Early warning systems in hospitals, for example, let clinicians improve their patients' outcomes by accurately predicting infections. While early classification systems are advancing rapidly, a major gap remains: existing systems do not consider irregular time series, which have uneven and often-long gaps between their observations. Such series are notoriously pervasive in impactful domains like healthcare. We bridge this gap and study early classification of irregular time series, a new setting for early classifiers that opens doors to more real-world problems. Our solution, Stop&Hop, uses a continuous-time recurrent network to model ongoing irregular time series in real time, while an irregularity-aware halting policy, trained with reinforcement learning, predicts when to stop and classify the streaming series. By taking real-valued step sizes, the halting policy flexibly decides exactly when to stop ongoing series in real time. This way, Stop&Hop seamlessly integrates information contained in the timing of observations, a new and vital source for early classification in this setting, with the time series values to provide early classifications for irregular time series. Using four synthetic and three real-world datasets, we demonstrate that Stop&Hop consistently makes earlier and more-accurate predictions than state-of-the-art alternatives adapted to this new problem. Our code is publicly available at https://github.com/thartvigsen/StopAndHop.
• Abstract（参考訳）: 早期分類アルゴリズムは、機械学習モデルの予測に素早く反応するのに役立つ。 例えば、病院の早期警戒システムでは、臨床医は感染を正確に予測することで患者の結果を改善できる。 初期の分類システムは急速に進歩しているが、大きなギャップは残る: 既存のシステムは不規則な時系列を考慮していない。 このようなシリーズは、医療のような影響力のある分野に広く浸透している。 このギャップを埋め、より現実的な問題への扉を開く早期分類器の新たな設定である不規則時系列の早期分類を研究する。 私たちのソリューションであるStop&Hopは、継続中の不規則な時系列をリアルタイムにモデル化するために、連続時間リカレントネットワークを使用します。 実数値のステップサイズを取ることで、停止ポリシーは、継続するシリーズをリアルタイムで停止するタイミングを柔軟に決定する。 このように、Stop&Hopは観測のタイミングに含まれる情報をシームレスに統合し、この設定における早期分類のための新しい重要な情報源であり、時系列値を使って不規則な時系列の早期分類を提供する。 4つの合成データセットと3つの実世界のデータセットを用いて、Stop&Hopが新しい問題に適応した最先端の代替モデルよりも、より早く、より正確な予測を一貫して行うことを示した。 私たちのコードはhttps://github.com/thartvigsen/StopAndHopで公開されています。

関連論文リスト

• An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
  生存分析の分野では、時間から時間までの成果が広く研究されている。 Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
  論文  参考訳（メタデータ） (2024-10-01T21:29:17Z)
• Deep learning for predicting the occurrence of tipping points [9.699777597848618]
  本研究では,未学習システムにおけるチップポイントの発生を予測するためのディープラーニングアルゴリズムを開発した。 我々のアルゴリズムは従来の手法より優れているだけでなく、不規則サンプリングされたモデル時系列の正確な予測も達成している。 テーピングポイントを予測する能力は、リスク軽減、破滅的な失敗の防止、システム劣化の回復の道を開く。
  論文  参考訳（メタデータ） (2024-07-26T12:17:57Z)
• 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)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• ECOTS: Early Classification in Open Time Series [0.0]
  オープンタイムシリーズの早期分類(ECOTS)にどのような手法を適応させるかを示す。 ECOTSシナリオのための2つの最先端アルゴリズムを変換し、予測保守のための実際のデータセットに関する数値実験を報告する。
  論文  参考訳（メタデータ） (2022-04-01T12:34:26Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• When is Early Classification of Time Series Meaningful? [11.234740889286215]
  ターゲットパターンのプレフィックスのみを見て、十分な精度と信頼性で時系列サブシーケンスを分類できるかどうかを尋ねます。 より初期の分類は、いくつかの実践的な介入が可能なドメインにおいて、直ちに行動を起こすことができる、という考え方です。 時系列の初期の分類に関する数十の論文があるという事実にもかかわらず、それらのいずれかが現実世界の環境で機能することは明らかではありません。
  論文  参考訳（メタデータ） (2021-02-23T04:42:05Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。