論文の概要: DBT-DMAE: An Effective Multivariate Time Series Pre-Train Model under
Missing Data
- arxiv url: http://arxiv.org/abs/2209.07798v1
- Date: Fri, 16 Sep 2022 08:54:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 11:59:03.909892
- Title: DBT-DMAE: An Effective Multivariate Time Series Pre-Train Model under
Missing Data
- Title(参考訳): DBT-DMAE: 欠測データに基づく実効多変量時系列プレトレインモデル
- Authors: Kai Zhang and Qinmin Yang and Chao Li
- Abstract要約: MTSはデータ不足に悩まされ、下流のタスクが劣化または崩壊する。
本稿では,MTSプレトレインモデルについて述べる。
-DMAE、上記の障害を克服する。
- 参考スコア(独自算出の注目度): 16.589715330897906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate time series(MTS) is a universal data type related to many
practical applications. However, MTS suffers from missing data problems, which
leads to degradation or even collapse of the downstream tasks, such as
prediction and classification. The concurrent missing data handling procedures
could inevitably arouse the biased estimation and redundancy-training problem
when encountering multiple downstream tasks. This paper presents a universally
applicable MTS pre-train model, DBT-DMAE, to conquer the abovementioned
obstacle. First, a missing representation module is designed by introducing
dynamic positional embedding and random masking processing to characterize the
missing symptom. Second, we proposed an auto-encoder structure to obtain the
generalized MTS encoded representation utilizing an ameliorated TCN structure
called dynamic-bidirectional-TCN as the basic unit, which integrates the
dynamic kernel and time-fliping trick to draw temporal features effectively.
Finally, the overall feed-in and loss strategy is established to ensure the
adequate training of the whole model. Comparative experiment results manifest
that the DBT-DMAE outperforms the other state-of-the-art methods in six
real-world datasets and two different downstream tasks. Moreover, ablation and
interpretability experiments are delivered to verify the validity of DBT-DMAE's
substructures.
- Abstract(参考訳): 多変量時系列(MTS)は、多くの実用的な応用に関連する普遍的なデータ型である。
しかし、MSSはデータ不足に悩まされており、予測や分類といった下流タスクの劣化や崩壊につながる。
同時に欠落したデータ処理手順は、複数の下流タスクに遭遇する際のバイアス付き推定と冗長性のトレーニング問題を必然的に引き起こす可能性がある。
本稿では,MTSプレトレインモデルDBT-DMAEを提案する。
まず、欠落表現モジュールは、欠落した症状を特徴付けるために動的位置埋め込みとランダムマスキング処理を導入することにより設計される。
第2に,動的二方向性TCNと呼ばれる改良されたTCN構造を基本単位として,時間的特徴を効果的に描画するための動的カーネルとタイムフリップのトリックを統合することで,一般化されたMTS符号化表現を得る自動エンコーダ構造を提案する。
最後に、モデル全体の適切なトレーニングを確保するため、全体的なフィードイン・アンド・ロス戦略を確立する。
比較実験の結果,DBT-DMAEは6つの実世界のデータセットと2つの異なる下流タスクにおいて,他の最先端手法よりも優れていた。
さらに,DBT-DMAEのサブ構造の有効性を検証するためにアブレーションと解釈可能性の実験を行った。
関連論文リスト
- Analytic Continual Test-Time Adaptation for Multi-Modality Corruption [23.545997349882857]
テスト時間適応(TTA)は、トレーニング済みのモデルがソースとターゲットデータセット間のギャップを埋めることを支援することを目的としている。
本稿では,MM-CTTAタスクのためのMDAA(Multi-modality Dynamic Analytic Adapter)を提案する。
MDAAはMM-CTTA上での最先端性能を実現し,信頼性の高いモデル適応を実現する。
論文 参考訳(メタデータ) (2024-10-29T01:21:24Z) - Unsupervised Representation Learning of Complex Time Series for Maneuverability State Identification in Smart Mobility [0.0]
スマートモビリティでは、操縦パターンのような行動の時間的ダイナミクスを提供する上で、MSSは重要な役割を果たす。
本研究では,センサを用いた車両から収集したMSSデータのモデル化に関わる課題に対処することを目的とする。
我々の目標は、スマートモビリティにおける操作状態の特定における2つの異なる教師なし表現学習手法の有効性を検討することである。
論文 参考訳(メタデータ) (2024-08-26T15:16:18Z) - 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) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳(メタデータ) (2024-06-05T06:18:03Z) - Scalable Numerical Embeddings for Multivariate Time Series: Enhancing Healthcare Data Representation Learning [6.635084843592727]
独立トークンとして各特徴値を扱う新しいフレームワークであるSCANEを提案する。
SCANEは、異なる機能埋め込みの特性を正規化し、スケーラブルな埋め込みメカニズムを通じて表現学習を強化する。
本研究は,MTSの精度の高い予測出力を実現するために,nUMerical eMbeddIng Transformer (SUMMIT) を開発した。
論文 参考訳(メタデータ) (2024-05-26T13:06:45Z) - MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。
事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。
SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。
我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文 参考訳(メタデータ) (2024-03-20T09:17:22Z) - Cross-modal Prompts: Adapting Large Pre-trained Models for Audio-Visual
Downstream Tasks [55.36987468073152]
本稿では,DG-SCT(Dual-Guided Space-Channel-Temporal)アテンション機構を提案する。
DG-SCTモジュールはトレーニング可能なクロスモーダル・インタラクション・レイヤを事前トレーニングされたオーディオ・ビジュアル・エンコーダに組み込む。
提案手法は, AVE, AVVP, AVS, AVQA, AVQAを含む複数のダウンストリームタスクにまたがる最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2023-11-09T05:24:20Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - Distribution-Aware Continual Test-Time Adaptation for Semantic Segmentation [33.75630514826721]
実世界の応用において, セマンティックセグメンテーションCTTAを効率的かつ実用的なものにするための分散対応チューニング(DAT)手法を提案する。
DATは、連続的な適応プロセス中にデータ分布に基づいて、トレーニング可能なパラメータの2つの小さなグループを適応的に選択し、更新する。
我々は2つの広く使われているセマンティックセマンティックセマンティクスCTTAベンチマークで実験を行い、従来の最先端手法と比較して有望な性能を実現した。
論文 参考訳(メタデータ) (2023-09-24T10:48:20Z) - Generalized Decision Transformer for Offline Hindsight Information
Matching [16.7594941269479]
本稿では、後視情報マッチング(HIM)問題を解くための一般化決定変換器(GDT)を提案する。
特徴関数と反因果アグリゲータの異なる選択が, 将来の異なる統計値に適合する新しいカテゴリーDT (CDT) と双方向DT (BDT) にどのように寄与するかを示す。
論文 参考訳(メタデータ) (2021-11-19T18:56:13Z) - A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。
提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文 参考訳(メタデータ) (2020-06-08T02:39:59Z)
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。