論文の概要: Information Theory Inspired Pattern Analysis for Time-series Data
- arxiv url: http://arxiv.org/abs/2302.11654v2
- Date: Fri, 28 Apr 2023 13:57:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 17:03:32.670736
- Title: Information Theory Inspired Pattern Analysis for Time-series Data
- Title（参考訳）: 時系列データに対する情報理論によるパターン解析
- Authors: Yushan Huang, Yuchen Zhao, Alexander Capstick, Francesca Palermo,
Hamed Haddadi, Payam Barnaghi
- Abstract要約: 時系列データのパターンを識別・学習するために,情報理論に基づく特徴量を用いた高度に一般化可能な手法を提案する。
状態遷移を持つ応用では、シャノンのマルコフ鎖のエントロピー、マルコフ鎖のエントロピー率、マルコフ鎖のフォン・ノイマンエントロピーに基づいて特徴が展開される。
その結果,提案した情報理論に基づく特徴は,ベースラインモデルと比較して,リコール率,F1スコア,平均精度を最大23.01%向上させることがわかった。
- 参考スコア（独自算出の注目度）: 60.86880787242563
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Current methods for pattern analysis in time series mainly rely on
statistical features or probabilistic learning and inference methods to
identify patterns and trends in the data. Such methods do not generalize well
when applied to multivariate, multi-source, state-varying, and noisy
time-series data. To address these issues, we propose a highly generalizable
method that uses information theory-based features to identify and learn from
patterns in multivariate time-series data. To demonstrate the proposed
approach, we analyze pattern changes in human activity data. For applications
with stochastic state transitions, features are developed based on Shannon's
entropy of Markov chains, entropy rates of Markov chains, entropy production of
Markov chains, and von Neumann entropy of Markov chains. For applications where
state modeling is not applicable, we utilize five entropy variants, including
approximate entropy, increment entropy, dispersion entropy, phase entropy, and
slope entropy. The results show the proposed information theory-based features
improve the recall rate, F1 score, and accuracy on average by up to 23.01%
compared with the baseline models and a simpler model structure, with an
average reduction of 18.75 times in the number of model parameters.
- Abstract（参考訳）: 時系列のパターン分析の現在の方法は、データ内のパターンやトレンドを特定するために、主に統計的特徴や確率的学習や推論手法に依存している。
このような手法は、多変量、多変量、状態変化、騒がしい時系列データに適用するとうまく一般化しない。
これらの問題に対処するために,多変量時系列データのパターンから情報理論に基づく特徴を識別し学習する,高度に一般化した手法を提案する。
提案手法を実証するために,人間行動データのパターン変化を分析した。
確率的状態遷移を持つ応用では、シャノンのマルコフ鎖のエントロピー、マルコフ鎖のエントロピー率、マルコフ鎖のエントロピー生成、マルコフ鎖のフォン・ノイマンエントロピーに基づいて特徴が展開される。
状態モデリングが適用できないアプリケーションには、近似エントロピー、増分エントロピー、分散エントロピー、位相エントロピー、斜面エントロピーを含む5つのエントロピー変種を利用する。
その結果,提案した情報理論に基づく特徴は,ベースラインモデルとより単純なモデル構造と比較して,平均23.01%の精度でリコール率,F1スコア,精度を向上し,平均18.75倍のモデルパラメータが減少した。
関連論文リスト
- Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - High Dimensional Time Series Regression Models: Applications to
Statistical Learning Methods [0.0]
これらの講義ノートは、既存の方法論の概要と、高次元時系列回帰モデルによる推定と推論の最近の発展について述べる。
まず、共分散行列構造および依存時系列列に関連する高次元依存データに対する主極限理論結果を示す。
論文 参考訳（メタデータ） (2023-08-27T15:53:31Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - Wasserstein multivariate auto-regressive models for modeling distributional time series [0.0]
多変量分布時系列の統計解析のための新しい自己回帰モデルを提案する。
このようなモデルの解の存在、特異性、定常性に関する結果が提供される。
また,本手法を各国の年齢分布から得られたデータ集合に適用した。
論文 参考訳（メタデータ） (2022-07-12T10:18:36Z) - Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。
提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
論文 参考訳（メタデータ） (2022-05-18T09:03:00Z) - Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。
パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
論文 参考訳（メタデータ） (2022-01-28T12:00:31Z) - Markov Modeling of Time-Series Data using Symbolic Analysis [8.522582405896653]
離散過程の離散化とメモリ推定のためのさまざまな手法を検討します。
情報理論と統計学習の概念を用いた動的システム理論と順序推定からの分割に関する文献からいくつかの結果を紹介します。
論文 参考訳（メタデータ） (2021-03-20T20:31:21Z) - Time Adaptive Gaussian Model [0.913755431537592]
我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。
時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
論文 参考訳（メタデータ） (2021-02-02T00:28:14Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳（メタデータ） (2020-02-24T19:30:32Z)
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。