論文の概要: Autoencoder Based Iterative Modeling and Multivariate Time-Series
Subsequence Clustering Algorithm
- arxiv url: http://arxiv.org/abs/2209.04213v1
- Date: Fri, 9 Sep 2022 09:59:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 13:15:50.123078
- Title: Autoencoder Based Iterative Modeling and Multivariate Time-Series
Subsequence Clustering Algorithm
- Title（参考訳）: オートエンコーダに基づく反復モデリングと多変量時系列クラスタリングアルゴリズム
- Authors: Jonas K\"ohne, Lars Henning, Clemens G\"uhmann
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces an algorithm for the detection of change-points and the
identification of the corresponding subsequences in transient multivariate
time-series data (MTSD). The analysis of such data has become more and more
important due to the increase of availability in many industrial fields.
Labeling, sorting or filtering highly transient measurement data for training
condition based maintenance (CbM) models is cumbersome and error-prone. For
some applications it can be sufficient to filter measurements by simple
thresholds or finding change-points based on changes in mean value and
variation. But a robust diagnosis of a component within a component group for
example, which has a complex non-linear correlation between multiple sensor
values, a simple approach would not be feasible. No meaningful and coherent
measurement data which could be used for training a CbM model would emerge.
Therefore, we introduce an algorithm which uses a recurrent neural network
(RNN) based Autoencoder (AE) which is iteratively trained on incoming data. The
scoring function uses the reconstruction error and latent space information. A
model of the identified subsequence is saved and used for recognition of
repeating subsequences as well as fast offline clustering. For evaluation, we
propose a new similarity measure based on the curvature for a more intuitive
time-series subsequence clustering metric. A comparison with seven other
state-of-the-art algorithms and eight datasets shows the capability and the
increased performance of our algorithm to cluster MTSD online and offline in
conjunction with mechatronic systems.
- Abstract（参考訳）: 本稿では,過渡多変量時系列データ(MTSD)における変化点の検出と対応する部分列の同定を行うアルゴリズムを提案する。
このようなデータの解析は、多くの産業分野の可用性の向上により、ますます重要になっている。
訓練条件ベースメンテナンス(cbm)モデルのための、高度に過渡的な測定データのラベル付け、ソート、フィルタリングは、面倒でエラーやすい。
一部のアプリケーションでは、単純なしきい値による測定をフィルタリングしたり、平均値と変動の変化に基づいて変更点を見つけるのに十分です。
しかし、例えば、複数のセンサ値の間に複雑な非線形相関を持つコンポーネント群内のコンポーネントの堅牢な診断は、単純なアプローチでは実現できないだろう。
CbMモデルのトレーニングに使用できる有意義で一貫性のある測定データは存在しない。
そこで本研究では,リカレントニューラルネットワーク(RNN)をベースとしたオートエンコーダ(AE)を用いたアルゴリズムを提案する。
スコアリング関数は、再構成誤差と潜時空間情報を用いる。
識別されたサブシーケンスのモデルは保存され、繰り返しサブシーケンスの認識や、高速なオフラインクラスタリングに使用される。
評価のために,より直感的な時系列サブシーケンスクラスタリング尺度の曲率に基づく新しい類似度尺度を提案する。
他の7つの最先端アルゴリズムと8つのデータセットと比較すると、メカトロニクスシステムとともにMTSDをオンラインおよびオフラインでクラスタリングするアルゴリズムの性能と性能が向上している。
関連論文リスト
- SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳（メタデータ） (2024-02-20T18:48:49Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Detection of Anomalies in Multivariate Time Series Using Ensemble
Techniques [3.2422067155309806]
最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。
また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。
異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
論文 参考訳（メタデータ） (2023-08-06T17:51:22Z) - Custom DNN using Reward Modulated Inverted STDP Learning for Temporal
Pattern Recognition [0.0]
時間的スパイク認識は、異常検出、キーワードスポッティング、神経科学など、様々な領域において重要な役割を果たす。
本稿では,スパース事象系列データに基づく時間的スパイクパターン認識のための新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-07-15T18:57:27Z) - Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。
データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。
このデータにより、特定の環境における占有などの事象を検出することができる。
論文 参考訳（メタデータ） (2023-07-05T12:50:48Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - 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)
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。