論文の概要: Uncertainty-DTW for Time Series and Sequences

• arxiv url: http://arxiv.org/abs/2211.00005v1
• Date: Sun, 30 Oct 2022 17:06:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 12:50:53.772335
• Title: Uncertainty-DTW for Time Series and Sequences
• Title（参考訳）: 時系列とシーケンスの不確実性DTW
• Authors: Lei Wang and Piotr Koniusz
• Abstract要約: 本稿では、動的時間ワープの微分可能バージョン(ソフト)のいわゆるアレタリック不確かさをモデル化することを提案する。 我々の不確実性DTWは、全ての経路の中で最小の重み付き経路距離である。 本稿では,時系列の進化予測,時系列のFr'echet平均の推定,および3次元関節関節の監督・教師なし動作認識について紹介する。
• 参考スコア（独自算出の注目度）: 38.27785891922479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic Time Warping (DTW) is used for matching pairs of sequences and celebrated in applications such as forecasting the evolution of time series, clustering time series or even matching sequence pairs in few-shot action recognition. The transportation plan of DTW contains a set of paths; each path matches frames between two sequences under a varying degree of time warping, to account for varying temporal intra-class dynamics of actions. However, as DTW is the smallest distance among all paths, it may be affected by the feature uncertainty which varies across time steps/frames. Thus, in this paper, we propose to model the so-called aleatoric uncertainty of a differentiable (soft) version of DTW. To this end, we model the heteroscedastic aleatoric uncertainty of each path by the product of likelihoods from Normal distributions, each capturing variance of pair of frames. (The path distance is the sum of base distances between features of pairs of frames of the path.) The Maximum Likelihood Estimation (MLE) applied to a path yields two terms: (i) a sum of Euclidean distances weighted by the variance inverse, and (ii) a sum of log-variance regularization terms. Thus, our uncertainty-DTW is the smallest weighted path distance among all paths, and the regularization term (penalty for the high uncertainty) is the aggregate of log-variances along the path. The distance and the regularization term can be used in various objectives. We showcase forecasting the evolution of time series, estimating the Fr\'echet mean of time series, and supervised/unsupervised few-shot action recognition of the articulated human 3D body joints.
• Abstract（参考訳）: 動的時間ウォーピング (dynamic time warping, dtw) は、時系列の進化を予測したり、時系列をクラスタリングしたり、数発のアクション認識において配列のペアをマッチングしたりといった用途で有名である。 DTWの輸送計画には一連の経路が含まれており、各経路は時間変動の度合いの異なる2つのシーケンス間のフレームに一致し、時間内行動の時間的変動を考慮に入れている。 しかし、DTWはすべてのパスの中で最小距離であるため、時間ステップやフレームによって異なる特徴の不確実性に影響される可能性がある。 そこで本研究では,DTWの可微分(ソフト)バージョンにおけるいわゆるアレラトリック不確かさをモデル化する。 この目的のために,各経路の不確かさを正規分布からの確率の積によってモデル化し,各ペアのフレームの分散を捉える。 (経路距離は、経路の一対のフレームの特徴の間の基距離の合計である。) 経路に適用される最大確率推定 (mle) は次の2つの項を与える。 (i)分散逆数によって重みづけられたユークリッド距離の和、 (ii)対数分散正規化項の和。 したがって、我々の不確実性DTWは全ての経路の中で最小の重み付きパス距離であり、正規化項(高い不確実性に対するペナルティ)は経路に沿ったログ分散の集合である。 距離と正規化項は様々な目的に使用できる。 我々は,時系列の進化を予測し,時系列のFr'echet平均を推定し,人体関節の指示的・非監督的な動作認識を示す。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• 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)
• Deep Declarative Dynamic Time Warping for End-to-End Learning of Alignment Paths [54.53208538517505]
  本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。 そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。 この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
  論文  参考訳（メタデータ） (2023-03-19T21:58:37Z)
• Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
  動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。 提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-01-30T13:27:47Z)
• ODformer: Spatial-Temporal Transformers for Long Sequence Origin-Destination Matrix Forecasting Against Cross Application Scenario [18.241804329382543]
  Origin-Destination (OD) は、一対のOD領域間の方向流データを記録する。 関連する手法のほとんどは、特定のアプリケーションシナリオにおける非常に短い時系列時系列の予測のために設計されている。 本稿では,2つの有意な特性を持つODformerというトランスフォーマー様モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-17T10:58:46Z)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• Representation Learning via Global Temporal Alignment and Cycle-Consistency [20.715813546383178]
  時間列の整合に基づく表現学習のための弱教師付き手法を提案する。 従来方式に比べて大幅な性能向上を報告しています。 さらに、時間アライメントフレームワークの2つのアプリケーション、すなわち3Dポーズ再構築ときめ細かいオーディオ/ビジュアル検索を報告します。
  論文  参考訳（メタデータ） (2021-05-11T17:34:04Z)
• Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
  実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。 時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。 非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
  論文  参考訳（メタデータ） (2020-07-25T04:16:34Z)
• Time Series Alignment with Global Invariances [14.632733235929926]
  本稿では,時間的アライメントとともに特徴空間の潜在的大域的変換を学習することにより,特徴空間と時間的変動の両方を考慮した新しい距離を提案する。 この新たな幾何学の下で,時系列バリセンタの計算アルゴリズムを2つ提案する。 シミュレーションデータと実世界のデータの両方に対するアプローチの関心を概説し、最先端の手法と比較して、我々のアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2020-02-10T15:11:50Z)

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。