論文の概要: Unsupervised Deep Learning for IoT Time Series

• arxiv url: http://arxiv.org/abs/2302.03284v1
• Date: Tue, 7 Feb 2023 06:33:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 17:19:28.801829
• Title: Unsupervised Deep Learning for IoT Time Series
• Title（参考訳）: IoT時系列のための教師なしディープラーニング
• Authors: Ya Liu, Yingjie Zhou, Kai Yang, and Xin Wang
• Abstract要約: 我々は,IoT時系列の教師なしディープラーニング,すなわち教師なし異常検出とクラスタリングについて検討する。 また、この領域におけるアプリケーションシナリオ、パブリックデータセット、既存の課題、今後の研究方向性についても論じます。
• 参考スコア（独自算出の注目度）: 14.4152677002505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IoT time series analysis has found numerous applications in a wide variety of areas, ranging from health informatics to network security. Nevertheless, the complex spatial temporal dynamics and high dimensionality of IoT time series make the analysis increasingly challenging. In recent years, the powerful feature extraction and representation learning capabilities of deep learning (DL) have provided an effective means for IoT time series analysis. However, few existing surveys on time series have systematically discussed unsupervised DL-based methods. To fill this void, we investigate unsupervised deep learning for IoT time series, i.e., unsupervised anomaly detection and clustering, under a unified framework. We also discuss the application scenarios, public datasets, existing challenges, and future research directions in this area.
• Abstract（参考訳）: IoT時系列分析では、健康情報からネットワークセキュリティまで、さまざまな領域で多くのアプリケーションが発見されている。 それにもかかわらず、複雑な空間的時間ダイナミクスとiot時系列の高次元は分析をますます困難にしている。 近年,ディープラーニング(DL)の強力な特徴抽出と表現学習能力は,IoT時系列解析に有効な手段となっている。 しかしながら、時系列上の既存の調査では、教師なしDLベースの手法を体系的に議論する例は少ない。 この空白を埋めるために、iot時系列、すなわち教師なし異常検出とクラスタリングのための教師なしディープラーニングを統一フレームワークで調査する。 また、この分野におけるアプリケーションシナリオ、公開データセット、既存の課題、今後の研究方向性についても論じる。

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)
• 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)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  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。
  論文  参考訳（メタデータ） (2023-02-04T14:33:07Z)
• Graph Anomaly Detection in Time Series: A Survey [7.127829790714167]
  時系列異常検出は,様々な時系列アプリケーションにおいて重要な課題である。 最近のグラフベースのアプローチは、この分野の課題に取り組む上で、驚くべき進歩を遂げている。
  論文  参考訳（メタデータ） (2023-01-31T19:48:01Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Unsupervised Visual Time-Series Representation Learning and Clustering [2.610470075814367]
  時系列データは、インターネット・オブ・シングス(Internet-of-Things)インフラストラクチャ、コネクテッド・アンド・ウェアラブルデバイス、リモートセンシング、自律運転研究、オーディオビデオ通信からユビキタスに生成される。 本稿では,これらの時系列における教師なし表現学習の可能性について検討する。
  論文  参考訳（メタデータ） (2021-11-19T16:44:33Z)
• 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)
• Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
  不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。 我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。 その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
  論文  参考訳（メタデータ） (2021-01-25T18:57:42Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。