論文の概要: Robust Time Series Chain Discovery with Incremental Nearest Neighbors

• arxiv url: http://arxiv.org/abs/2211.02146v1
• Date: Thu, 3 Nov 2022 21:05:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 16:17:19.305923
• Title: Robust Time Series Chain Discovery with Incremental Nearest Neighbors
• Title（参考訳）: 漸近近傍を用いたロバスト時系列連鎖探索
• Authors: Li Zhang, Yan Zhu, Yifeng Gao, Jessica Lin
• Abstract要約: 時系列データの連続的進化パターンを識別するために,時系列チェーンを時系列モチーフの拡張として導入した。 我々は、データ内のノイズに対してより堅牢な新しいTSC定義を導入する。 発見された連鎖をランク付けする2つの新しい品質指標を提案する。
• 参考スコア（独自算出の注目度）: 11.119354137386843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series motif discovery has been a fundamental task to identify meaningful repeated patterns in time series. Recently, time series chains were introduced as an expansion of time series motifs to identify the continuous evolving patterns in time series data. Informally, a time series chain (TSC) is a temporally ordered set of time series subsequences, in which every subsequence is similar to the one that precedes it, but the last and the first can be arbitrarily dissimilar. TSCs are shown to be able to reveal latent continuous evolving trends in the time series, and identify precursors of unusual events in complex systems. Despite its promising interpretability, unfortunately, we have observed that existing TSC definitions lack the ability to accurately cover the evolving part of a time series: the discovered chains can be easily cut by noise and can include non-evolving patterns, making them impractical in real-world applications. Inspired by a recent work that tracks how the nearest neighbor of a time series subsequence changes over time, we introduce a new TSC definition which is much more robust to noise in the data, in the sense that they can better locate the evolving patterns while excluding the non-evolving ones. We further propose two new quality metrics to rank the discovered chains. With extensive empirical evaluations, we demonstrate that the proposed TSC definition is significantly more robust to noise than the state of the art, and the top ranked chains discovered can reveal meaningful regularities in a variety of real world datasets.
• Abstract（参考訳）: 時系列のモチーフ発見は、時系列における意味のある反復パターンを特定するための基本的なタスクである。 近年,時系列データの連続的進化パターンを識別する時系列モチーフの拡張として時系列連鎖を導入した。 直交的に、時系列連鎖 (TSC) は時間的に順序付けられた時系列列の集合であり、全ての列はそれより前の列と似ているが、最後の列と最初の列は任意に異なる。 TSCは時系列で潜在的な連続的な進化傾向を明らかにし、複雑な系における異常事象の前駆体を特定することができる。 有望な解釈性にもかかわらず、残念なことに、既存のtscの定義には時系列の進化的部分を正確にカバーする能力が欠けていることが観察されている。 時系列列の近傍が時間とともにどのように変化するかを追跡する最近の研究に触発されて、進化しないパターンを排除しながら、進化するパターンをよりよく見つけられるように、データ内のノイズに対してより堅牢な新しいTSC定義を導入する。 さらに、発見された連鎖をランク付けする2つの新しい品質指標を提案する。 広範な経験的評価により、提案したTSC定義は、最先端のチェーンが、様々な実世界のデータセットにおいて有意義な規則性を明らかにすることができることを示す。

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)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Time-to-Pattern: Information-Theoretic Unsupervised Learning for Scalable Time Series Summarization [7.294418916091012]
  時系列要約におけるT2P(Time-to-Pattern)という手法を提案する。 T2Pは、最小記述長の概念に従って、最も有能な情報をエンコードする多様なパターンの集合を見つけることを目的としている。 人工的および実世界の実験により、T2Pはノイズや複雑な環境においても、情報的パターンを発見することが判明した。
  論文  参考訳（メタデータ） (2023-08-26T01:15:32Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Finding Short Signals in Long Irregular Time Series with Continuous-Time Attention Policy Networks [18.401817124823832]
  不規則にサンプリングされた時系列(ITS)は、医療のような高インパクト領域に固有のものであり、不均一な間隔で測定が時間とともに収集される。 入力系列の時系列の高関連部分を明示的に求め,多変量 ITS を分類するモデル CAT を提案する。 合成データと実データを用いて、CATは長い不規則な時系列で短い信号を見つけることで、最先端の10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） (2023-02-08T13:44:36Z)
• DCSF: Deep Convolutional Set Functions for Classification of Asynchronous Time Series [5.339109578928972]
  非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。 本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。 我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
  論文  参考訳（メタデータ） (2022-08-24T08:47:36Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Modeling Regime Shifts in Multiple Time Series [1.4588552933974936]
  レジームシフト(Regime shift)とは、時系列によって異なる時間間隔で表される変動行動を指す。 既存の手法では、時系列間の関係を考慮に入れず、複数の時系列における状態の発見に失敗する。 既存のメソッドのほとんどは、統一されたフレームワークでこれらの3つの問題すべてを扱うことができません。
  論文  参考訳（メタデータ） (2021-09-20T17:02:29Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
  非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。 我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
  論文  参考訳（メタデータ） (2021-06-01T19:53:24Z)

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。