Fugu-MT 論文翻訳(概要): Filling out the missing gaps: Time Series Imputation with Semi-Supervised Learning

論文の概要: Filling out the missing gaps: Time Series Imputation with Semi-Supervised Learning

arxiv url: http://arxiv.org/abs/2304.04275v1
Date: Sun, 9 Apr 2023 16:38:47 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 16:32:08.714438
Title: Filling out the missing gaps: Time Series Imputation with Semi-Supervised Learning
Title（参考訳）: 不足するギャップを埋める:半監督学習による時系列計算
Authors: Karan Aggarwal, Jaideep Srivastava
Abstract要約: 本稿では,ラベルなしデータと下流タスクのラベル付きデータの両方を利用する半教師付き計算手法ST-Imputeを提案する。 ST-Imputeはスパース自己注意に基づいており、計算過程を模倣するタスクを訓練する。
参考スコア（独自算出の注目度）: 7.8379910349669
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Missing data in time series is a challenging issue affecting time series analysis. Missing data occurs due to problems like data drops or sensor malfunctioning. Imputation methods are used to fill in these values, with quality of imputation having a significant impact on downstream tasks like classification. In this work, we propose a semi-supervised imputation method, ST-Impute, that uses both unlabeled data along with downstream task's labeled data. ST-Impute is based on sparse self-attention and trains on tasks that mimic the imputation process. Our results indicate that the proposed method outperforms the existing supervised and unsupervised time series imputation methods measured on the imputation quality as well as on the downstream tasks ingesting imputed time series.
Abstract（参考訳）: 時系列データの欠落は、時系列分析に影響を与える課題である。データの欠落は、データドロップやセンサーの故障などの問題によって発生する。インプテーション法はこれらの値を満たすために使われ、インプテーションの品質は分類のような下流タスクに大きな影響を与える。本研究では,ラベルなしデータと下流タスクのラベル付きデータの両方を用いた半教師付き命令法st-imputeを提案する。 ST-Imputeはスパース自己注意に基づいており、計算過程を模倣するタスクを訓練する。提案手法は,既存の教師付きおよび教師なしの時系列計算手法と,命令された時系列を摂取する下流タスクを比較検討し,性能を向上することを示す。

関連論文リスト

Task-oriented Time Series Imputation Evaluation via Generalized Representers [23.53722963890861]
時系列分析は電力エネルギー、経済、輸送など多くの分野で広く利用されている。本稿では,効率的なダウンストリームタスク指向時系列計算評価手法を提案する。
論文参考訳（メタデータ） (2024-10-09T08:04:48Z)
OML-AD: Online Machine Learning for Anomaly Detection in Time Series Data [0.0]
オンライン機械学習(OML)に基づく新しい異常検出手法であるOML-ADを提案する。 OML-ADは精度と計算効率の点で最先端のベースライン法より優れていることを示す。
論文参考訳（メタデータ） (2024-09-15T14:19:19Z)
Incremental Self-training for Semi-supervised Learning [56.57057576885672]
ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
論文参考訳（メタデータ） (2024-04-14T05:02:00Z)
Deep Learning for Multivariate Time Series Imputation: A Survey [36.72913706617057]
本稿では,最近提案されたディープラーニング計算手法に関する総合的な調査を行う。本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。また、異なる手法の研究や下流タスクの強化を比較するための実証実験も行います。
論文参考訳（メタデータ） (2024-02-06T15:03:53Z)
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)
Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文参考訳（メタデータ） (2024-01-07T18:12:20Z)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文参考訳（メタデータ） (2022-09-22T06:06:56Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Time-Series Imputation with Wasserstein Interpolation for Optimal Look-Ahead-Bias and Variance Tradeoff [66.59869239999459]
ファイナンスでは、ポートフォリオ最適化モデルをトレーニングする前に、損失の計算を適用することができる。インキュベーションのために全データセットを使用するルックアヘッドバイアスと、トレーニングデータのみを使用することによるインキュベーションの大きなばらつきとの間には、本質的にトレードオフがある。提案手法は,提案法における差分とルックアヘッドバイアスのトレードオフを最適に制御するベイズ後部コンセンサス分布である。
論文参考訳（メタデータ） (2021-02-25T09:05:35Z)
Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
論文参考訳（メタデータ） (2020-11-23T11:57:27Z)

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。