論文の概要: DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness

• arxiv url: http://arxiv.org/abs/2209.15415v1
• Date: Mon, 26 Sep 2022 21:59:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 17:01:17.707864
• Title: DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness
• Title（参考訳）: DynImp: 知覚と時間的関連性によるウェアラブルセンシングデータの動的計算
• Authors: Zepeng Huo, Taowei Ji, Yifei Liang, Shuai Huang, Zhangyang Wang, Xiaoning Qian, Bobak Mortazavi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 78.98998551326812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In wearable sensing applications, data is inevitable to be irregularly sampled or partially missing, which pose challenges for any downstream application. An unique aspect of wearable data is that it is time-series data and each channel can be correlated to another one, such as x, y, z axis of accelerometer. We argue that traditional methods have rarely made use of both times-series dynamics of the data as well as the relatedness of the features from different sensors. We propose a model, termed as DynImp, to handle different time point's missingness with nearest neighbors along feature axis and then feeding the data into a LSTM-based denoising autoencoder which can reconstruct missingness along the time axis. We experiment the model on the extreme missingness scenario ($>50\%$ missing rate) which has not been widely tested in wearable data. Our experiments on activity recognition show that the method can exploit the multi-modality features from related sensors and also learn from history time-series dynamics to reconstruct the data under extreme missingness.
• Abstract（参考訳）: ウェアラブルセンシングアプリケーションでは、データを不規則にサンプリングしたり、部分的に欠落させたりすることは避けられない。 ウェアラブルデータのユニークな特徴は、時系列データであり、各チャネルは加速度計のx、y、z軸など他のチャネルと関連付けることができる点である。 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近傍の時間点の欠落を処理し,その不備を時間軸に沿って再構成可能なLSTMベースのデノナイジングオートエンコーダにデータを送り込む。 私たちは、ウェアラブルデータで広くテストされていない極端な欠落シナリオ (>50\%$ missing rate) でモデルを実験します。 活動認識実験により, 関連センサのマルチモーダルな特徴を生かし, 履歴時系列のダイナミクスから学習し, 極端に欠落した状態でデータを再構築できることが判明した。

関連論文リスト

• Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
  我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。 THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。 包括的実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:08:57Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Predictive variational autoencoder for learning robust representations of time-series data [0.0]
  本稿では,次点を予測するVAEアーキテクチャを提案する。 VAEの2つの制約は、時間とともにスムーズであることを示し、堅牢な潜伏表現を生成し、合成データセット上の潜伏因子を忠実に回収する。
  論文  参考訳（メタデータ） (2023-12-12T02:06:50Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series [0.0]
  時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。 ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。 提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。 また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
  論文  参考訳（メタデータ） (2022-11-22T10:17:42Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• Deep Time Series Models for Scarce Data [8.673181404172963]
  時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。 データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
  論文  参考訳（メタデータ） (2021-03-16T22:16:54Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。