論文の概要: Approximating DTW with a convolutional neural network on EEG data
- arxiv url: http://arxiv.org/abs/2301.12873v1
- Date: Mon, 30 Jan 2023 13:27:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 14:41:27.731879
- Title: Approximating DTW with a convolutional neural network on EEG data
- Title(参考訳): 脳波データを用いた畳み込みニューラルネットワークによるDTWの近似
- Authors: Hugo Lerogeron, Romain Picot-Clemente, Alain Rakotomamonjy, Laurent
Heutte
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.409281517596396
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic Time Wrapping (DTW) is a widely used algorithm for measuring
similarities between two time series. It is especially valuable in a wide
variety of applications, such as clustering, anomaly detection, classification,
or video segmentation, where the time-series have different timescales, are
irregularly sampled, or are shifted. However, it is not prone to be considered
as a loss function in an end-to-end learning framework because of its
non-differentiability and its quadratic temporal complexity. While
differentiable variants of DTW have been introduced by the community, they
still present some drawbacks: computing the distance is still expensive and
this similarity tends to blur some differences in the time-series. In this
paper, we propose a fast and differentiable approximation of DTW by comparing
two architectures: the first one for learning an embedding in which the
Euclidean distance mimics the DTW, and the second one for directly predicting
the DTW output using regression. We build the former by training a siamese
neural network to regress the DTW value between two time-series. Depending on
the nature of the activation function, this approximation naturally supports
differentiation, and it is efficient to compute. We show, in a time-series
retrieval context on EEG datasets, that our methods achieve at least the same
level of accuracy as other DTW main approximations with higher computational
efficiency. We also show that it can be used to learn in an end-to-end setting
on long time series by proposing generative models of EEGs.
- Abstract(参考訳): 動的時間ラッピング (DTW) は、2つの時系列間の類似性を測定するアルゴリズムである。
クラスタリング、異常検出、分類、ビデオセグメンテーションなど、時系列が異なる時間スケールを持つ、不規則にサンプリングされた、あるいはシフトされた、さまざまなアプリケーションで特に有用である。
しかし、その非微分可能性と二次的時間的複雑性から、エンドツーエンド学習フレームワークにおける損失関数とはみなされない。
DTWの異なるバリエーションはコミュニティによって導入されているが、それでもいくつかの欠点がある。
本稿では、ユークリッド距離がDTWを模倣する埋め込みを学習する第1のアーキテクチャと、回帰を用いてDTW出力を直接予測する第2のアーキテクチャを比較して、DTWの高速かつ微分可能な近似を提案する。
我々は,2つの時系列間のDTW値を回帰するために,サイムズニューラルネットワークを訓練して前者を構築する。
活性化関数の性質に応じて、この近似は自然に微分をサポートし、計算は効率的である。
我々は,EEGデータセットの時系列検索コンテキストにおいて,我々の手法が計算効率の高い他のDTW主近似と少なくとも同等の精度を達成することを示す。
また,脳波生成モデルを提案することで,時系列のエンドツーエンド設定で学習することができることを示す。
関連論文リスト
- 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) - OTW: Optimal Transport Warping for Time Series [75.69837166816501]
動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。
最適アライメント行列を正確に計算する必要がある場合、それは避けられない二次時間複雑性に悩まされる。
我々は、OTW(Optimal Transport Warping)と呼ばれる、最適輸送フレームワークに基づく時系列データのための新しいメトリクスを導入する。
論文 参考訳(メタデータ) (2023-06-01T12:45:00Z) - 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) - LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for
Semi-Supervised Time Series Classification [4.7828959446344275]
本稿では,新しいグラフ構築モジュールを用いた,効率的な半教師付き時系列分類手法 LB-SimTSC を提案する。
LB_Keoghを用いてペア距離行列を構築し,グラフニューラルネットワークのためのグラフを構築する。
その結果、大規模なデータセット上でグラフを構築する場合、このアプローチはSimTSCの最大104倍高速であることが示された。
論文 参考訳(メタデータ) (2023-01-12T06:49:55Z) - 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) - Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。
本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文 参考訳(メタデータ) (2022-09-01T10:46:09Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳(メタデータ) (2022-01-05T02:14:57Z) - TC-DTW: Accelerating Multivariate Dynamic Time Warping Through Triangle
Inequality and Point Clustering [6.502892821109196]
今日最もよく使われているアルゴリズムは17年前に開発されたアルゴリズムである。
tc-dtwと名付けられた新しいソリューションは、三角不等式と点クラスタリングをアルゴリズム設計に導入する。
DTWをベースとした近接探索実験では、新しい解は最大98%(平均60%)のDTW距離計算を回避し、最大25倍(平均7.5倍)のスピードアップをもたらす。
論文 参考訳(メタデータ) (2021-01-15T16:38:28Z) - Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。
提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
論文 参考訳(メタデータ) (2020-11-08T10:40:26Z) - A Case-Study on the Impact of Dynamic Time Warping in Time Series
Regression [2.639737913330821]
本研究では,1波長のみを考慮した場合,動的時間ワープ(DTW)が回帰作業の精度向上に有効であることを示す。
k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。
しかし、この問題では、このデータは波長の広い範囲で利用できると考えている。
論文 参考訳(メタデータ) (2020-10-11T15:21:21Z)
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。