論文の概要: Time Series as Images: Vision Transformer for Irregularly Sampled Time Series

• arxiv url: http://arxiv.org/abs/2303.12799v1
• Date: Wed, 1 Mar 2023 22:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 02:39:58.615413
• Title: Time Series as Images: Vision Transformer for Irregularly Sampled Time Series
• Title（参考訳）: 画像としての時系列:不規則にサンプリングされた時系列の視覚トランスフォーマー
• Authors: Zekun Li, Shiyang Li, Xifeng Yan
• Abstract要約: 我々は不規則にサンプリングされた時系列を線グラフ画像に変換し、強力な視覚変換器を適用して時系列分類を行う。 提案手法は,事前知識を前提とせずにアルゴリズム設計を単純化し,汎用フレームワークとして拡張することができる。 これは、いくつかの一般的な医療および人間の活動データセットにおいて、最先端の特殊アルゴリズムを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 13.898770874357442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregularly sampled time series are becoming increasingly prevalent in various domains, especially in medical applications. Although different highly-customized methods have been proposed to tackle irregularity, how to effectively model their complicated dynamics and high sparsity is still an open problem. This paper studies the problem from a whole new perspective: transforming irregularly sampled time series into line graph images and adapting powerful vision transformers to perform time series classification in the same way as image classification. Our approach largely simplifies algorithm designs without assuming prior knowledge and can be potentially extended as a general-purpose framework. Despite its simplicity, we show that it substantially outperforms state-of-the-art specialized algorithms on several popular healthcare and human activity datasets. Especially in the challenging leave-sensors-out setting where a subset of variables is masked during testing, the performance improvement is up to 54.0\% in absolute F1 score points. Our code and data are available at \url{https://github.com/Leezekun/ViTST}.
• Abstract（参考訳）: 不規則にサンプリングされた時系列は、様々な領域、特に医学的応用においてますます普及している。 不規則性に取り組むために様々な高度にカスタマイズされた手法が提案されているが、それらの複雑な力学と高い疎度を効果的にモデル化する方法はまだ未解決の問題である。 本稿では,不規則にサンプリングされた時系列を線グラフ画像に変換し,強力な視覚変換器を適用し,画像分類と同様に時系列分類を行うという,新たな視点からこの問題を考察する。 提案手法は,事前知識を仮定せずにアルゴリズム設計を単純化し,汎用フレームワークとして拡張することができる。 その単純さにもかかわらず、いくつかの一般的な医療や人間の活動データセットにおいて、最先端の特殊アルゴリズムを大幅に上回っていることを示す。 特に、テスト中に変数のサブセットが隠蔽される挑戦的な離脱センサーアウト設定では、絶対F1スコアポイントで54.0\%のパフォーマンス向上が達成される。 我々のコードとデータは \url{https://github.com/Leezekun/ViTST} で入手できる。

関連論文リスト

• MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis [45.34420094525063]
  我々は、不規則性は本質的にある意味で相対的であるという新しい視点を導入する。 MuSiCNetは、3つのメインストリームタスクでSOTAと一貫して競合するISMTS分析フレームワークである。
  論文  参考訳（メタデータ） (2024-12-02T02:50:01Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Training-Free Time-Series Anomaly Detection: Leveraging Image Foundation Models [0.0]
  画像ベースでトレーニング不要な時系列異常検出(ITF-TAD)手法を提案する。 ITF-TADは、時系列データをウェーブレット変換を用いて画像に変換し、それらを単一の表現に圧縮し、画像基礎モデルを利用して異常検出を行う。
  論文  参考訳（メタデータ） (2024-08-27T03:12:08Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• 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)
• Learning from Irregularly-Sampled Time Series: A Missing Data Perspective [18.493394650508044]
  不規則にサンプリングされた時系列は、医療を含む多くの領域で発生する。 連続だが観測されていない関数からサンプリングされた指数値対の列として、不規則にサンプリングされた時系列データをモデル化する。 本稿では,変分オートエンコーダと生成対向ネットワークに基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2020-08-17T20:01:55Z)
• Temporal signals to images: Monitoring the condition of industrial assets with deep learning image processing algorithms [3.9023554886892438]
  本稿では,文献に見られる画像符号化手法の信号について概説する。 我々は、大規模なデータセットの変動性に対してより堅牢になるように、元の定式化のいくつかを変更することを提案する。 選択された符号化方法は、Gramian Angular Field、Markov Transition Field、Recurrentence plot、グレイスケールエンコーディング、Spectrogram、 scalogramである。
  論文  参考訳（メタデータ） (2020-05-14T14:42:06Z)

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。