論文の概要: Multistage Large Segment Imputation Framework Based on Deep Learning and
Statistic Metrics
- arxiv url: http://arxiv.org/abs/2209.11766v1
- Date: Thu, 22 Sep 2022 14:17:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 16:52:01.186124
- Title: Multistage Large Segment Imputation Framework Based on Deep Learning and
Statistic Metrics
- Title(参考訳): 深層学習と統計量に基づく多段階大規模セグメント計算フレームワーク
- Authors: JinSheng Yang, YuanHai Shao, ChunNa Li, Wensi Wang
- Abstract要約: 本研究では, 深層学習に基づく多段階計算フレームワークを提案する。
本モデルでは,データ分布の低次および高次統計量の混合測定指標と,データ計算性能指標の新たな視点を示す。
実験結果から, 多段階計算法と混合指標が優れていること, 不足値計算の効果がある程度改善されていることが明らかとなった。
- 参考スコア(独自算出の注目度): 8.266097781813656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Missing value is a very common and unavoidable problem in sensors, and
researchers have made numerous attempts for missing value imputation,
particularly in deep learning models. However, for real sensor data, the
specific data distribution and data periods are rarely considered, making it
difficult to choose the appropriate evaluation indexes and models for different
sensors. To address this issue, this study proposes a multistage imputation
framework based on deep learning with adaptability for missing value
imputation. The model presents a mixture measurement index of low- and
higher-order statistics for data distribution and a new perspective on data
imputation performance metrics, which is more adaptive and effective than the
traditional mean squared error. A multistage imputation strategy and dynamic
data length are introduced into the imputation process for data periods.
Experimental results on different types of sensor data show that the multistage
imputation strategy and the mixture index are superior and that the effect of
missing value imputation has been improved to some extent, particularly for the
large segment imputation problem. The codes and experimental results have been
uploaded to GitHub.
- Abstract(参考訳): 欠損値は非常に一般的な問題であり、センサーでは避けられない問題であり、研究者は特にディープラーニングモデルにおいて、価値計算の欠如を何度も試みてきた。
しかし、実際のセンサデータでは、特定のデータ分布とデータ周期が考慮されないため、異なるセンサに対する適切な評価指標とモデルを選択することは困難である。
この問題に対処するため,本研究では,値インプテーションの欠落に対して適応性のある深層学習に基づく多段階インプテーションフレームワークを提案する。
このモデルでは,データ分布の低次および高次統計量の混合測定指標と,従来の平均二乗誤差よりも適応的かつ効果的であるデータ計算性能指標の新たな視点を示す。
多段階の計算戦略と動的データ長をデータ周期の計算プロセスに導入する。
異なる種類のセンサデータを用いた実験の結果,多段階インプテーション戦略と混合指数は良好であり,特に大きなセグメントインプテーション問題において,値インプテーションの欠落の影響がある程度改善されていることがわかった。
コードと実験結果はGitHubにアップロードされている。
関連論文リスト
- A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳(メタデータ) (2023-06-27T16:59:06Z) - Deep Imputation of Missing Values in Time Series Health Data: A Review
with Benchmarking [0.0]
この調査では,5つの時系列健康データセットに対して,最先端の深層計算手法をベンチマークするために,データ中心の6つの実験を行った。
時系列データにおける欠落した値の縦方向の計算と横方向の計算を共同で行う深層学習法は、従来の計算法よりも統計的に優れたデータ品質が得られる。
論文 参考訳(メタデータ) (2023-02-10T16:03:36Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - Adversarial Deep Feature Extraction Network for User Independent Human
Activity Recognition [4.988898367111902]
本稿では,人間行動認識のための最大平均不一致(MMD)正則化を用いた対向的対象非依存特徴抽出法を提案する。
本手法は,ユーザに依存しない性能を著しく向上し,結果のばらつきを低減できることを示す,よく知られた公開データセット上での評価を行う。
論文 参考訳(メタデータ) (2021-10-23T07:50:32Z) - RIFLE: Imputation and Robust Inference from Low Order Marginals [10.082738539201804]
我々は,不備なデータの存在下での回帰と分類のための統計的推論フレームワークを開発する。
我々のフレームワークであるRIFLEは、基礎となるデータ分布の低次モーメントを対応する信頼区間で推定し、分布的に堅牢なモデルを学ぶ。
実験の結果,RIFLEは,欠落値の割合が高い場合や,データポイント数が比較的小さい場合には,他のベンチマークアルゴリズムよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-09-01T23:17:30Z) - Online Missing Value Imputation and Change Point Detection with the
Gaussian Copula [21.26330349034669]
実世界のデータサイエンスにとって、値計算の欠如は不可欠である。
ガウスコプラを用いた混合データに対するオンライン計算アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-09-25T16:27:47Z) - Establishing strong imputation performance of a denoising autoencoder in
a wide range of missing data problems [0.0]
トレーニングと計算の両方に一貫したフレームワークを開発します。
結果と最先端の計算手法を比較検討した。
開発されたオートエンコーダは、初期データ破損のあらゆる範囲において最小の誤差を得た。
論文 参考訳(メタデータ) (2020-04-06T12:00:30Z)
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。