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

• TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
  本研究では,時系列予測のための新しいマルチビュー手法を提案する。 傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。 このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
  論文  参考訳（メタデータ） (2024-09-30T02:11:57Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Understanding Different Design Choices in Training Large Time Series Models [71.20102277299445]
  不均一な時系列データに基づく大規模時系列モデル(LTSMs)のトレーニングには,ユニークな課題が伴う。 本稿では,時系列データに合わせた新しい統計プロンプトである,時系列プロンプトを提案する。 textttLTSM-bundleを導入します。
  論文  参考訳（メタデータ） (2024-06-20T07:09:19Z)
• WEITS: A Wavelet-enhanced residual framework for interpretable time series forecasting [3.1551278097133895]
  WEITSは周波数対応のディープラーニングフレームワークであり、高度に解釈可能で計算効率が高い。 本稿では,周波数認識型深層学習フレームワークWEITSについて述べる。
  論文  参考訳（メタデータ） (2024-05-17T16:09:51Z)
• Foundation Models for Time Series Analysis: A Tutorial and Survey [70.43311272903334]
  ファンデーションモデル(FM)は、時系列分析のためのモデル設計のパラダイムを根本的に変えてきた。 本調査は,時系列解析のためのFMの概要を包括的かつ最新のものにすることを目的としている。
  論文  参考訳（メタデータ） (2024-03-21T10:08:37Z)
• 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: What Can Large Language Models Tell Us about Time Series Analysis [69.70906014827547]
  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、時系列のモダリティスイッチングや質問応答など、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)
• 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)

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。