論文の概要: ASTRIDE: Adaptive Symbolization for Time Series Databases

• arxiv url: http://arxiv.org/abs/2302.04097v1
• Date: Wed, 8 Feb 2023 14:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 16:01:02.938665
• Title: ASTRIDE: Adaptive Symbolization for Time Series Databases
• Title（参考訳）: ASTRIDE: 時系列データベースの適応的シンボル化
• Authors: Sylvain W. Combettes, Charles Truong, and Laurent Oudre
• Abstract要約: 時系列の新たなシンボル表現である ASTRIDE と FASTRIDE (Fast ASTRIDE) について紹介する。 多くのシンボル化手順とは異なり、ASTRIDEは、変化点検出と量子化ステップを量子化を用いて行うことにより、セグメンテーションステップの両方に適応する。 本稿では,SAX,1d-SAX,SFA,ABBAと比較して,ASTRIDEおよびFASTRIDE表現の再現性および適用性について述べる。
• 参考スコア（独自算出の注目度）: 6.8820425565516095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce ASTRIDE (Adaptive Symbolization for Time seRIes DatabasEs), a novel symbolic representation of time series, along with its accelerated variant FASTRIDE (Fast ASTRIDE). Unlike most symbolization procedures, ASTRIDE is adaptive during both the segmentation step by performing change-point detection and the quantization step by using quantiles. Instead of proceeding signal by signal, ASTRIDE builds a dictionary of symbols that is common to all signals in a data set. We also introduce D-GED (Dynamic General Edit Distance), a novel similarity measure on symbolic representations based on the general edit distance. We demonstrate the performance of the ASTRIDE and FASTRIDE representations compared to SAX (Symbolic Aggregate approXimation), 1d-SAX, SFA (Symbolic Fourier Approximation), and ABBA (Adaptive Brownian Bridge-based Aggregation) on reconstruction and, when applicable, on classification tasks. These algorithms are evaluated on 86 univariate equal-size data sets from the UCR Time Series Classification Archive. An open source GitHub repository called astride is made available to reproduce all the experiments in Python.
• Abstract（参考訳）: 我々は,新しい時系列表現であるastride (adaptive symbolization for time series databases) と,fastride (fast astride) の高速化について紹介する。 ほとんどの記号化手順とは異なり、アストライドは分節化ステップにおいて変化点検出を行い、量子化ステップを量子化することで適応する。 信号によって信号を進める代わりに、ASTRIDEはデータセット内のすべての信号に共通するシンボルの辞書を構築する。 また,D-GED(Dynamic General Edit Distance)についても紹介する。 本稿では,SAX (Symbolic Aggregate approXimation), 1d-SAX, SFA (Symbolic Fourier Approximation), ABBA (Adaptive Brownian Bridge-based Aggregation) と比較して,ASTRIDE と FASTRIDE の表現性能を示す。 これらのアルゴリズムは、udr時系列分類アーカイブから86個の平等なデータセットで評価される。 astrideというオープンソースのgithubリポジトリで、すべての実験をpythonで再現することができる。

関連論文リスト

• Quantized symbolic time series approximation [0.28675177318965045]
  本稿では,新しい量子化に基づくABBA記号近似手法,QABBAを提案する。 QABBAは、元の速度とシンボル再構成の精度を維持しながら、ストレージ効率を向上させる。 時系列回帰のための大規模言語モデル(LLM)を用いたQABBAの応用についても述べる。
  論文  参考訳（メタデータ） (2024-11-20T10:32:22Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [70.26374282390401]
  ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。 本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパー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） (2022-08-11T14:05:51Z)
• Towards Symbolic Time Series Representation Improved by Kernel Density Estimators [0.0]
  本稿では,Symbolic Aggregate approXimation algorithm (SAX) に基づく一般的なマッピング手法について述べる。 シーケンス分類、パターンマイニング、異常検出、時系列インデックス化、その他のデータマイニングタスクで広く利用されている。 本稿では, 時系列再構成誤差やユークリッド距離下界など, SAX よりも有望な改善を伴う一般的なタスクの評価を含む, 提案手法について述べる。
  論文  参考訳（メタデータ） (2022-05-25T13:16:18Z)
• An efficient aggregation method for the symbolic representation of temporal data [0.0]
  本稿では,適応的ブラウン橋型アグリゲーション法 (ABBA) の新たな変種であるfABBAを提案する。 この変種は、時系列の断片表現に合わせた新しい集約アプローチを利用する。 従来の手法とは対照的に、新しいアプローチでは事前に指定する時系列シンボルの数を必要としない。
  論文  参考訳（メタデータ） (2022-01-14T22:51:24Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• MrSQM: Fast Time Series Classification with Symbolic Representations [11.853438514668207]
  MrSQMは複数のシンボル表現と効率的なシーケンスマイニングを使用して重要な時系列特徴を抽出する。 本研究は, 完全教師付きから非教師付き, ハイブリッドまで, 記号列の4つの特徴選択手法について検討する。 UEA/UCRベンチマークの112のデータセットに対する実験では、MrSQMがすぐに有用な特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2021-09-02T15:54:46Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• High-performance symbolic-numerics via multiple dispatch [52.77024349608834]
  Symbolics.jlは拡張可能なシンボルシステムで、動的多重ディスパッチを使用してドメインのニーズに応じて振る舞いを変更する。 実装に依存しないアクションでジェネリックapiを形式化することで、システムに最適化されたデータ構造を遡及的に追加できることを示します。 従来の用語書き換えシンプリファイアと電子グラフベースの用語書き換えシンプリファイアをスワップする機能を実証する。
  論文  参考訳（メタデータ） (2021-05-09T14:22:43Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。