論文の概要: An Empirical Evaluation of Multivariate Time Series Classification with
Input Transformation across Different Dimensions
- arxiv url: http://arxiv.org/abs/2210.07713v1
- Date: Fri, 14 Oct 2022 11:27:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 17:18:29.461724
- Title: An Empirical Evaluation of Multivariate Time Series Classification with
Input Transformation across Different Dimensions
- Title（参考訳）: 異なる次元にわたる入力変換を用いた多変量時系列分類の実証評価
- Authors: Leonardos Pantiskas, Kees Verstoep, Mark Hoogendoorn, Henri Bal
- Abstract要約: 最適な変換次元構成は,各モデルの結果と比較して精度の向上につながることを示す。
また、変換法を一定に保つと、異なる次元にまたがって適用した場合の精度に統計的に有意な差があることが示される。
- 参考スコア（独自算出の注目度）: 3.5786621294068373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In current research, machine and deep learning solutions for the
classification of temporal data are shifting from single-channel datasets
(univariate) to problems with multiple channels of information (multivariate).
The majority of these works are focused on the method novelty and architecture,
and the format of the input data is often treated implicitly. Particularly,
multivariate datasets are often treated as a stack of univariate time series in
terms of input preprocessing, with scaling methods applied across each channel
separately. In this evaluation, we aim to demonstrate that the additional
channel dimension is far from trivial and different approaches to scaling can
lead to significantly different results in the accuracy of a solution. To that
end, we test seven different data transformation methods on four different
temporal dimensions and study their effect on the classification accuracy of
five recent methods. We show that, for the large majority of tested datasets,
the best transformation-dimension configuration leads to an increase in the
accuracy compared to the result of each model with the same hyperparameters and
no scaling, ranging from 0.16 to 76.79 percentage points. We also show that if
we keep the transformation method constant, there is a statistically
significant difference in accuracy results when applying it across different
dimensions, with accuracy differences ranging from 0.23 to 47.79 percentage
points. Finally, we explore the relation of the transformation methods and
dimensions to the classifiers, and we conclude that there is no prominent
general trend, and the optimal configuration is dataset- and
classifier-specific.
- Abstract（参考訳）: 現在の研究では、時間データの分類のための機械学習とディープラーニングのソリューションが、単一チャネルデータセット(ユニバリケート)から複数のチャネル情報(マルチバリケート)の問題へとシフトしている。
これらの著作の大部分はメソッドのノベルティとアーキテクチャに焦点を当てており、入力データの形式はしばしば暗黙的に扱われる。
特に、多変量データセットは入力前処理の観点から不定時系列のスタックとして扱われることが多く、各チャネルにまたがるスケーリング手法が別々に適用される。
本評価では, 追加チャネル次元が自明なものではなく, スケーリングに対する異なるアプローチが解の精度を著しく異なる結果に導くことを実証することを目的とする。
そこで本研究では,4次元の時間次元で7つの異なるデータ変換手法をテストし,最近の5つの手法の分類精度に及ぼす影響について検討した。
テストされたデータセットの大部分において、最高の変換-分割構成は、0.16から76.79パーセンテージポイントまで、同じハイパーパラメータを持つ各モデルの結果と比較して精度が向上することを示している。
また,変換法を一定に保つと,0.23から47.79ポイントの精度差で,異なる次元で適用した場合の精度に統計的に有意な差があることが示される。
最後に,変換手法と次元と分類器との関係について検討し,一般的な傾向はなく,最適な構成はデータセットと分類器固有のものであると結論付けた。
関連論文リスト
- MEMTO: Memory-guided Transformer for Multivariate Time Series Anomaly
Detection [6.16984478518058]
MEMTOはメモリ誘導トランスフォーマーで、入力データに応じて各メモリ項目が更新される度合いを学習する。
提案手法は,多様な領域から得られた5つの実世界のデータセットに対して評価する。
論文 参考訳（メタデータ） (2023-12-05T06:28:19Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳（メタデータ） (2023-10-17T06:29:09Z) - Binary Quantification and Dataset Shift: An Experimental Investigation [54.14283123210872]
量子化は教師付き学習タスクであり、未学習データの集合のクラス有病率の予測器を訓練する。
定量化と他のタイプのデータセットシフトの関係は、いまだ大きく、未調査のままである。
本稿では,これらのシフトに影響を受けるデータセットの生成プロトコルを確立することにより,データセットシフトの種類を詳細に分類する手法を提案する。
論文 参考訳（メタデータ） (2023-10-06T20:11:27Z) - HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly
Detection [2.253268952202213]
MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。
まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。
このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
論文 参考訳（メタデータ） (2022-11-01T05:01:34Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳（メタデータ） (2022-07-05T14:55:16Z) - Deep learning model solves change point detection for multiple change
types [69.77452691994712]
変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。
本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-15T09:44:21Z) - Missing Value Imputation on Multidimensional Time Series [16.709162372224355]
本稿では,多次元時系列データセットにおける深層学習手法DeepMVIを提案する。
DeepMVIは、時系列に沿った細粒度と粗粒度パターンと、カテゴリ次元にわたる関連するシリーズのトレンドを組み合わせる。
実験の結果、DeepMVIの精度は著しく向上し、半数以上のケースで50%以上のエラーが削減された。
論文 参考訳（メタデータ） (2021-03-02T09:55:05Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-06T04:28:19Z) - Spherical Feature Transform for Deep Metric Learning [58.35971328774927]
本研究は,新しい球面特徴変換手法を提案する。
これは、クラス間の同一共分散の仮定を、超球面上の異なるクラスの類似共分散の仮定に緩和する。
本研究では,2つの異なる変換間の関係について,簡便かつ効果的な学習法と深度解析を行う。
論文 参考訳（メタデータ） (2020-08-04T11:32:23Z)
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。