論文の概要: A Survey on Deep Learning based Time Series Analysis with Frequency
Transformation
- arxiv url: http://arxiv.org/abs/2302.02173v4
- Date: Sun, 15 Oct 2023 07:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 06:08:50.294831
- Title: A Survey on Deep Learning based Time Series Analysis with Frequency
Transformation
- Title(参考訳): 周波数変換を用いたディープラーニングに基づく時系列解析の検討
- Authors: Kun Yi and Qi Zhang and Longbing Cao and Shoujin Wang and Guodong Long
and Liang Hu and Hui He and Zhendong Niu and Wei Fan and Hui Xiong
- Abstract要約: 周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。
この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。
本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
- 参考スコア(独自算出の注目度): 74.3919960186696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, frequency transformation (FT) has been increasingly incorporated
into deep learning models to significantly enhance state-of-the-art accuracy
and efficiency in time series analysis. The advantages of FT, such as high
efficiency and a global view, have been rapidly explored and exploited in
various time series tasks and applications, demonstrating the promising
potential of FT as a new deep learning paradigm for time series analysis.
Despite the growing attention and the proliferation of research in this
emerging field, there is currently a lack of a systematic review and in-depth
analysis of deep learning-based time series models with FT. It is also unclear
why FT can enhance time series analysis and what its limitations in the field
are. To address these gaps, we present a comprehensive review that
systematically investigates and summarizes the recent research advancements in
deep learning-based time series analysis with FT. Specifically, we explore the
primary approaches used in current models that incorporate FT, the types of
neural networks that leverage FT, and the representative FT-equipped models in
deep time series analysis. We propose a novel taxonomy to categorize the
existing methods in this field, providing a structured overview of the diverse
approaches employed in incorporating FT into deep learning models for time
series analysis. Finally, we highlight the advantages and limitations of FT for
time series modeling and identify potential future research directions that can
further contribute to the community of time series analysis.
- Abstract(参考訳): 近年、周波数変換(FT)が深層学習モデルに組み込まれ、時系列解析における最先端の精度と効率を大幅に向上させている。
高効率性やグローバルな視点といったFTの利点は、様々な時系列タスクやアプリケーションで急速に探求され、時系列分析のための新しいディープラーニングパラダイムとしてのFTの有望な可能性を示している。
この新興分野での注目の高まりと研究の急増にもかかわらず、ftによるディープラーニングベースの時系列モデルの体系的なレビューと詳細な分析が欠如している。
また、FTが時系列解析を拡張できる理由や、その分野における制限については不明である。
そこで本研究では,ftを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に調査し,概説する。
具体的には、FTを取り入れた現在のモデル、FTを利用するニューラルネットワークのタイプ、深層時系列解析におけるFT対応モデルの代表的アプローチについて検討する。
本稿では,この分野における既存の手法を分類する新たな分類法を提案し,時系列解析のための深層学習モデルにFTを取り入れた多様なアプローチについて概説する。
最後に、時系列モデリングにおけるFTの利点と限界を強調し、時系列分析のコミュニティにさらに貢献できる将来的な研究方向を特定する。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Incorporating Taylor Series and Recursive Structure in Neural Networks
for Time Series Prediction [0.29008108937701327]
時系列分析は物理学、生物学、化学、金融など様々な分野に関係している。
本稿では、ResNet構造から要素を統合するニューラルネットワークアーキテクチャについて紹介し、革新的なTaylorシリーズフレームワークを紹介した。
論文 参考訳(メタデータ) (2024-02-09T14:34:28Z) - Position Paper: What Can Large Language Models Tell Us about Time Series
Analysis [72.33053089061899]
現在の大規模言語モデル(LLM)は時系列解析に革命をもたらす可能性があると我々は主張する。
このような進歩は、モダリティスイッチングや時系列質問応答など、幅広い可能性を解き放つ可能性がある。
論文 参考訳(メタデータ) (2024-02-05T04:17:49Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - Towards Flexible Time-to-event Modeling: Optimizing Neural Networks via
Rank Regression [17.684526928033065]
我々はDART(Time-to-event Prediction)のためのDeep AFT Rank-regressionモデルを導入する。
このモデルは、表現学習において効率的で信頼性の高いゲハンのランク統計に基づく客観的関数を用いる。
提案手法は, 生存時間分布に分布仮定を課さない半パラメトリックなAFTモデリング手法である。
論文 参考訳(メタデータ) (2023-07-16T13:58:28Z) - TFAD: A Decomposition Time Series Anomaly Detection Architecture with
Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。
本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文 参考訳(メタデータ) (2022-10-18T09:08:57Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - Finite-Time Analysis of Temporal Difference Learning: Discrete-Time
Linear System Perspective [3.5823366350053325]
TD学習は強化学習(RL)の分野における基礎的アルゴリズムである
最近の研究では、有限時間誤差境界を開発することで、その統計的効率に関する保証を明らかにしている。
論文 参考訳(メタデータ) (2022-04-22T03:21:30Z)
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。