論文の概要: Deep Learning for Time Series Classification and Extrinsic Regression: A Current Survey

• arxiv url: http://arxiv.org/abs/2302.02515v2
• Date: Tue, 19 Dec 2023 23:30:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 19:22:28.799605
• Title: Deep Learning for Time Series Classification and Extrinsic Regression: A Current Survey
• Title（参考訳）: 時系列分類と外因性回帰の深層学習に関する最近の調査
• Authors: Navid Mohammadi Foumani, Lynn Miller, Chang Wei Tan, Geoffrey I. Webb, Germain Forestier, Mahsa Salehi
• Abstract要約: 時系列分類と外部回帰は、重要かつ困難な機械学習タスクである。 ディープラーニングは自然言語処理やコンピュータビジョンに革命をもたらし、時系列分析などの他の分野で大きな可能性を秘めている。 本稿では、時系列分類と外因性回帰のためのディープラーニングの高速移動領域における技術の現状を調査する。
• 参考スコア（独自算出の注目度）: 5.307337728506627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time Series Classification and Extrinsic Regression are important and challenging machine learning tasks. Deep learning has revolutionized natural language processing and computer vision and holds great promise in other fields such as time series analysis where the relevant features must often be abstracted from the raw data but are not known a priori. This paper surveys the current state of the art in the fast-moving field of deep learning for time series classification and extrinsic regression. We review different network architectures and training methods used for these tasks and discuss the challenges and opportunities when applying deep learning to time series data. We also summarize two critical applications of time series classification and extrinsic regression, human activity recognition and satellite earth observation.
• Abstract（参考訳）: 時系列分類と外部回帰は重要かつ困難な機械学習タスクである。 ディープラーニングは自然言語処理やコンピュータビジョンに革命をもたらし、関連する特徴を生データからしばしば抽象化しなければならないが、先駆者ではない時系列分析など他の分野で大きな可能性を秘めている。 本稿では,時系列分類と漸近回帰のための深層学習の高速移動分野における技術の現状について検討する。 本稿では,これらのタスクに使用する異なるネットワークアーキテクチャとトレーニング手法をレビューし,時系列データにディープラーニングを適用する際の課題と機会について議論する。 また,時系列分類と漸近回帰,人間活動認識と衛星地球観測の2つの重要な応用を要約した。

関連論文リスト

• 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)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• 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)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Don't overfit the history -- Recursive time series data augmentation [17.31522835086563]
  本稿では,RIM で表される再帰補間法(Recursive Interpolation Method)と呼ばれる時系列拡張のための一般的なフレームワークを提案する。 提案するRIMを特徴付ける理論解析を行い,その試験性能を保証する。 RIMを実時間時系列の多種多様な事例に適用し、回帰、分類、強化学習タスクの非強化データよりも高い性能を達成する。
  論文  参考訳（メタデータ） (2022-07-06T18:09:50Z)
• 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)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
  時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。 ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。 我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
  論文  参考訳（メタデータ） (2020-11-23T11:57:27Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• Time Series Extrinsic Regression [6.5513221781395465]
  Time Series Extrinsic Regression (TSER)は、時系列と連続スカラー変数の関係を学習することを目的とした回帰タスクである。 我々は、TSERデータセット19の新たなアーカイブ上で、既存の解とTSCアルゴリズムの適応をベンチマークする。 以上の結果から,現在最先端のTSCアルゴリズムであるRocketが回帰に適応すると,全体的な精度が最も高いことがわかった。
  論文  参考訳（メタデータ） (2020-06-23T00:15:10Z)
• Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
  時系列データに対する様々なデータ拡張手法を体系的に検討する。 時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
  論文  参考訳（メタデータ） (2020-02-27T23:38:11Z)

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。