論文の概要: Importance attribution in neural networks by means of persistence
landscapes of time series
- arxiv url: http://arxiv.org/abs/2302.03132v1
- Date: Mon, 6 Feb 2023 21:43:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 18:02:08.922240
- Title: Importance attribution in neural networks by means of persistence
landscapes of time series
- Title(参考訳): 時系列の持続性景観によるニューラルネットワークにおける重要度帰属
- Authors: Aina Ferr\`a, Carles Casacuberta, Oriol Pujol
- Abstract要約: 分類タスクにおいて最も関連性の高いランドスケープレベルを識別できるネットワークアーキテクチャにゲーティング層を含める。
我々は、分類決定に関する洞察を与える時系列の近似形状を再構成する。
- 参考スコア(独自算出の注目度): 0.5156484100374058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose and implement a method to analyze time series with a neural
network using a matrix of area-normalized persistence landscapes obtained
through topological data analysis. We include a gating layer in the network's
architecture that is able to identify the most relevant landscape levels for
the classification task, thus working as an importance attribution system.
Next, we perform a matching between the selected landscape functions and the
corresponding critical points of the original time series. From this matching
we are able to reconstruct an approximate shape of the time series that gives
insight into the classification decision. We test this technique with input
data from a dataset of electrocardiographic signals.
- Abstract(参考訳): トポロジカルデータ解析により得られた領域正規化された永続景観の行列を用いて,ニューラルネットワークを用いた時系列解析手法を提案し,実装する。
ネットワークアーキテクチャにゲーティング層を組み、分類タスクにおいて最も関連性の高いランドスケープレベルを識別し、重要な属性システムとして機能する。
次に、選択されたランドスケープ関数と、元の時系列の対応する臨界点とのマッチングを行う。
このマッチングから,分類決定に対する洞察を与える時系列の近似形状を再構築することができる。
心電図信号のデータセットからの入力データを用いてこの手法をテストする。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Self-Supervised Temporal Analysis of Spatiotemporal Data [2.2720298829059966]
地理空間活動の時間的パターンと土地利用のタイプとの間には相関関係がある。
移動活動時系列に基づいて景観を階層化する,新たな自己教師型手法を提案する。
実験により、時間埋め込みは時系列データの意味論的に意味のある表現であり、異なるタスクにまたがって効果的であることが示されている。
論文 参考訳(メタデータ) (2023-04-25T20:34:38Z) - Multivariate Time Series Regression with Graph Neural Networks [0.6124773188525718]
近年のディープラーニングのグラフへの適用は,様々なグラフ関連タスクにおいて有望な可能性を示している。
しかし,これらの手法は時系列関連タスクにはあまり適用されていない。
本研究では,これらの長いシーケンスを多変量時系列回帰タスクで処理できるアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-01-03T16:11:46Z) - 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) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - Homological Time Series Analysis of Sensor Signals from Power Plants [0.0]
我々は、トポロジカルデータ解析技術を用いて、発電所全体のセンサ信号を学習するタスクに適したニューラルネットワーク分類器を構築する。
我々は1次元の深い畳み込み層と、積み重ねられた長い短期記憶を組み合わせたアーキテクチャを導出する。
検証のために, 同一建設方式の4つの発電所のセンサデータを用いて数値実験を行った。
論文 参考訳(メタデータ) (2021-06-03T10:52:47Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - 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) - Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。
結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文 参考訳(メタデータ) (2020-06-22T12:46:44Z)
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。