論文の概要: SS-shapelets: Semi-supervised Clustering of Time Series Using
Representative Shapelets
- arxiv url: http://arxiv.org/abs/2304.03292v1
- Date: Thu, 6 Apr 2023 04:01:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 14:07:11.314022
- Title: SS-shapelets: Semi-supervised Clustering of Time Series Using
Representative Shapelets
- Title(参考訳): ss-shapelets:代表シェープレットを用いた時系列の半教師付きクラスタリング
- Authors: Borui Cai, Guangyan Huang, Shuiqiao Yang, Yong Xiang, and Chi-Hung Chi
- Abstract要約: 時系列クラスタリングにおいて、局所的特徴(サブシーケンス)を用いて時系列を識別するシェープレットが有望である。
既存の時系列クラスタリング法は、非形式的サブシーケンスの大きなプールからシェープレットを発見するため、代表的なシェイプレットを捕捉できない可能性がある。
本稿では,SS-Shapelets法を用いて時系列の半教師付きクラスタリングを提案する。
- 参考スコア(独自算出の注目度): 6.422515563089296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shapelets that discriminate time series using local features (subsequences)
are promising for time series clustering. Existing time series clustering
methods may fail to capture representative shapelets because they discover
shapelets from a large pool of uninformative subsequences, and thus result in
low clustering accuracy. This paper proposes a Semi-supervised Clustering of
Time Series Using Representative Shapelets (SS-Shapelets) method, which
utilizes a small number of labeled and propagated pseudo-labeled time series to
help discover representative shapelets, thereby improving the clustering
accuracy. In SS-Shapelets, we propose two techniques to discover representative
shapelets for the effective clustering of time series. 1) A \textit{salient
subsequence chain} ($SSC$) that can extract salient subsequences (as candidate
shapelets) of a labeled/pseudo-labeled time series, which helps remove massive
uninformative subsequences from the pool. 2) A \textit{linear discriminant
selection} ($LDS$) algorithm to identify shapelets that can capture
representative local features of time series in different classes, for
convenient clustering. Experiments on UCR time series datasets demonstrate that
SS-shapelets discovers representative shapelets and achieves higher clustering
accuracy than counterpart semi-supervised time series clustering methods.
- Abstract(参考訳): 時系列クラスタリングにおいて、局所的特徴(サブシーケンス)を用いて時系列を識別するシェープレットが有望である。
既存の時系列クラスタリング法は、非形式的サブシーケンスの大きなプールからシェープレットを発見し、その結果、クラスタリングの精度が低くなるため、代表的なシェイプレットを捕捉できない可能性がある。
本稿では,少数のラベル付きおよびプロパゲーション付き擬似ラベル付き時系列を用いた半教師付き時系列クラスタリング(SS-Shapelets)手法を提案する。
SS-Shapeletでは,時系列のクラスタリングを効果的に行うための2つの手法を提案する。
1) \textit{salient subsequence chain} (ssc$) ラベル付き/pseudoラベル付き時系列のsalient subsequence(候補シェープレット)を抽出できる。
2) 異なるクラスにおける時系列の代表的な局所的特徴をキャプチャーできるシェープレットを識別し、便利なクラスタリングを行うための, テキストit{linear discriminant selection}(LDS$)アルゴリズム。
UCR時系列データセットの実験では、SS-シェープレットが代表的なシェープレットを発見し、対応する半教師付き時系列クラスタリング法よりも高いクラスタリング精度を達成することが示されている。
関連論文リスト
- Dynamic Multi-Network Mining of Tensor Time Series [8.59982222642104]
時系列の時系列クラスタリングは、データマイニングにおいて重要なタスクである。
動的マルチネットワーク時系列クラスタリング(DMM)を提案する。
本手法はクラスタリング精度の点で最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-02-19T02:06:04Z) - Determining the Optimal Number of Clusters for Time Series Datasets with
Symbolic Pattern Forest [0.0]
最適なクラスタ数(例えば k)を計算するという問題は、そのような方法にとって重要な課題の1つである。
本研究では,時系列データセットの最適なクラスタ数を決定するために,シンボリックパターンフォレストアルゴリズムを拡張した。
UCRアーカイブデータセットに対する我々のアプローチを検証し、これまでの実験結果はベースラインよりも大幅に改善された。
論文 参考訳(メタデータ) (2023-10-01T23:33:37Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Fuzzy clustering of ordinal time series based on two novel distances
with economic applications [0.12891210250935145]
順序時間列間の2つの新しい距離を導入し、ファジィクラスタリング手順を構築するために使用した。
結果のクラスタリングアルゴリズムは計算効率が良く、類似のプロセスから生成されるシリーズをグループ化することができる。
経済時系列に関する2つの具体的な応用は、提案手法の有用性を示している。
論文 参考訳(メタデータ) (2023-04-24T16:39:22Z) - AUTOSHAPE: An Autoencoder-Shapelet Approach for Time Series Clustering [38.98898783270346]
非教師的手法でシェイプレットを決定するための新しいオートエンコーダ・シェープレット手法(AUTOSHAPE)を提案する。
オートエンコーダは、高品質なシェイプレットを学習するために特別に設計されている。
我々はAUTOSHAPEについて広範な実験を行った。
論文 参考訳(メタデータ) (2022-08-06T06:00:45Z) - Implicit Sample Extension for Unsupervised Person Re-Identification [97.46045935897608]
クラスタリングは、時に異なる真のアイデンティティを混ぜ合わせたり、同じアイデンティティを2つ以上のサブクラスタに分割する。
本稿では,クラスタ境界周辺のサポートサンプルを生成するために,Implicit Sample Extension (OurWholeMethod)法を提案する。
提案手法の有効性を実証し,教師なしのRe-IDに対して最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-04-14T11:41:48Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。
SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。
OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文 参考訳(メタデータ) (2021-10-15T03:25:28Z) - 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) - Hierarchical Clustering using Auto-encoded Compact Representation for
Time-series Analysis [8.660029077292346]
本稿では,学習した時系列のコンパクト表現,オートエンコードコンパクトシーケンス(AECS),階層クラスタリングアプローチを組み合わせたクラスタの識別機構を提案する。
Sequence to Sequence(seq2seq)オートエンコーダと集約型階層クラスタリングに基づくRecurrent Neural Network(RNN)を利用するアルゴリズムです。
論文 参考訳(メタデータ) (2021-01-11T08:03:57Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳(メタデータ) (2020-05-01T07:46:29Z)
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。