論文の概要: Clustering individuals based on multivariate EMA time-series data

• arxiv url: http://arxiv.org/abs/2212.01159v1
• Date: Fri, 2 Dec 2022 13:33:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 17:26:33.174392
• Title: Clustering individuals based on multivariate EMA time-series data
• Title（参考訳）: 多変量EMA時系列データに基づくクラスタリング個人
• Authors: Mandani Ntekouli, Gerasimos Spanakis, Lourens Waldorp, Anne Roefs
• Abstract要約: エコロジー・モメンタリー・アセスメント(EMA)の方法論は、時間集約的、反復的、個人内測定の新たな機会を提供する。 高度な機械学習(ML)手法は、データ特性を理解し、基礎となる複雑な心理的プロセスに関する意味のある関係を明らかにするために必要である。
• 参考スコア（独自算出の注目度）: 2.0824228840987447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of psychopathology, Ecological Momentary Assessment (EMA) methodological advancements have offered new opportunities to collect time-intensive, repeated and intra-individual measurements. This way, a large amount of data has become available, providing the means for further exploring mental disorders. Consequently, advanced machine learning (ML) methods are needed to understand data characteristics and uncover hidden and meaningful relationships regarding the underlying complex psychological processes. Among other uses, ML facilitates the identification of similar patterns in data of different individuals through clustering. This paper focuses on clustering multivariate time-series (MTS) data of individuals into several groups. Since clustering is an unsupervised problem, it is challenging to assess whether the resulting grouping is successful. Thus, we investigate different clustering methods based on different distance measures and assess them for the stability and quality of the derived clusters. These clustering steps are illustrated on a real-world EMA dataset, including 33 individuals and 15 variables. Through evaluation, the results of kernel-based clustering methods appear promising to identify meaningful groups in the data. So, efficient representations of EMA data play an important role in clustering.
• Abstract（参考訳）: 精神病理学の分野では、エコロジー・モメンタリー・アセスメント(EMA)の方法論的進歩は、時間集約的、反復的、個人内測定の新たな機会を提供する。 このように、大量のデータが利用可能となり、さらに精神障害を探求する手段となっている。 その結果、データ特性を理解し、基礎となる複雑な心理的プロセスに関する隠れた有意義な関係を明らかにするために、高度な機械学習(ML)手法が必要である。 MLはクラスタリングを通じて、異なる個人のデータにおける類似したパターンの識別を容易にする。 本稿では,個人の多変量時系列(mts)データを複数のグループにクラスタリングする。 クラスタリングは教師なしの問題であるため、結果のグループ化が成功するかどうかを評価するのは困難である。 そこで本研究では,異なる距離尺度に基づいて異なるクラスタリング手法を調査し,クラスタの安定性と品質を評価する。 これらのクラスタリングステップは、33の個人と15の変数を含む現実世界のEMAデータセットに説明されている。 評価を通じて、カーネルベースのクラスタリング手法の結果は、データ中の有意義なグループを特定することに有望であるように思われる。 したがって、EMAデータの効率的な表現はクラスタリングにおいて重要な役割を果たす。

関連論文リスト

• Explaining Clustering of Ecological Momentary Assessment Data Through Temporal and Feature Attention [4.951599300340955]
  エコロジー・モメンタリー・アセスメント (Ecological Momentary Assessment, EMA) 研究は、心理病理関連変数の個人データをリアルタイムに提供する。 本稿では,クラスタの識別において主要な役割を担う重要な時間点と変数を識別する,注目に基づく解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-08T07:09:43Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• AugDMC: Data Augmentation Guided Deep Multiple Clustering [2.479720095773358]
  AugDMCは、Deep Multiple Clustering法による新しいデータ拡張ガイドである。 データ拡張を利用して、データの特定の側面に関連する機能を自動的に抽出する。 異なる拡張から不安定な問題を緩和するために、安定な最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-22T16:31:46Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• Clustering Optimisation Method for Highly Connected Biological Data [0.0]
  接続クラスタリング評価のための単純な指標が,生物データの最適セグメンテーションにつながることを示す。 この作業の斬新さは、混雑したデータをクラスタリングするための単純な最適化方法の作成にある。
  論文  参考訳（メタデータ） (2022-08-08T17:33:32Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Fast and Interpretable Consensus Clustering via Minipatch Learning [0.0]
  IMPACC: Interpretable MiniPatch Adaptive Consensus Clustering を開発した。 我々は、信頼性と計算コストの両面で改善された観測のための適応型サンプリング手法を開発した。 その結果,より正確で解釈可能なクラスタソリューションが得られた。
  論文  参考訳（メタデータ） (2021-10-05T22:39:28Z)
• Robust Trimmed k-means [70.88503833248159]
  本稿では,外乱点とクラスタポイントを同時に識別するRobust Trimmed k-means (RTKM)を提案する。 RTKMは他の方法と競合することを示す。
  論文  参考訳（メタデータ） (2021-08-16T15:49:40Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Evolutionary Clustering via Message Passing [21.366647840787365]
  進化的親和性伝播(EAP)は,因子グラフ上でメッセージを交換することで,データポイントをグループ化する進化的クラスタリングアルゴリズムである。 EAPは、隣接するデータスナップショットに関連付けられたファクタグラフのノードをリンクすることで、クラスタリング時間進化データに対するソリューションの時間的スムーズさを促進する。 EAPはクラスタ数を決定し、自動的に追跡する。
  論文  参考訳（メタデータ） (2019-12-27T03:09:16Z)

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。