論文の概要: OTW: Optimal Transport Warping for Time Series
- arxiv url: http://arxiv.org/abs/2306.00620v1
- Date: Thu, 1 Jun 2023 12:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 16:25:40.014276
- Title: OTW: Optimal Transport Warping for Time Series
- Title（参考訳）: OTW:タイムシリーズに最適なトランスポート・ウォーピング
- Authors: Fabian Latorre, Chenghao Liu, Doyen Sahoo, Steven C.H. Hoi
- Abstract要約: 動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。
最適アライメント行列を正確に計算する必要がある場合、それは避けられない二次時間複雑性に悩まされる。
我々は、OTW(Optimal Transport Warping)と呼ばれる、最適輸送フレームワークに基づく時系列データのための新しいメトリクスを導入する。
- 参考スコア（独自算出の注目度）: 75.69837166816501
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Dynamic Time Warping (DTW) has become the pragmatic choice for measuring
distance between time series. However, it suffers from unavoidable quadratic
time complexity when the optimal alignment matrix needs to be computed exactly.
This hinders its use in deep learning architectures, where layers involving DTW
computations cause severe bottlenecks. To alleviate these issues, we introduce
a new metric for time series data based on the Optimal Transport (OT)
framework, called Optimal Transport Warping (OTW). OTW enjoys linear time/space
complexity, is differentiable and can be parallelized. OTW enjoys a moderate
sensitivity to time and shape distortions, making it ideal for time series. We
show the efficacy and efficiency of OTW on 1-Nearest Neighbor Classification
and Hierarchical Clustering, as well as in the case of using OTW instead of DTW
in Deep Learning architectures.
- Abstract（参考訳）: 動的時間温暖化(DTW)は時系列間の距離を測定するための実用的な選択肢となっている。
しかし、最適アライメント行列を正確に計算する必要がある場合、避けられない二次時間複雑性に苦しむ。
これは、dtw計算を含む層が深刻なボトルネックを引き起こすディープラーニングアーキテクチャでの使用を妨げる。
これらの問題を緩和するため,我々は,最適なトランスポート (ot) フレームワークに基づく時系列データのための新しいメトリクスであるoptimize transport warping (otw) を導入する。
OTWは線形時間/空間の複雑さを享受し、微分可能で並列化することができる。
OTWは時間や形状の歪みに対して適度な感度を持ち、時系列に最適である。
ディープラーニングアーキテクチャにおけるDTWの代わりにOTWを用いる場合と同様に、1-Nearest Neighbor Classificationと階層クラスタリングにおけるOTWの有効性と有効性を示す。
関連論文リスト
- Deep Declarative Dynamic Time Warping for End-to-End Learning of
Alignment Paths [54.53208538517505]
本稿では、動的時間ワープ(DTW)による時間的アライメントステップを含む時系列データのエンドツーエンド学習モデルについて述べる。
そこで我々は,2レベル最適化とDecDTWと呼ばれる深層宣言ネットワークに基づくDTW層を提案する。
この特性は、下流損失関数が最適アライメントパス自身で定義されるアプリケーションに特に有用であることを示す。
論文 参考訳（メタデータ） (2023-03-19T21:58:37Z) - Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - Approximating DTW with a convolutional neural network on EEG data [9.409281517596396]
動的時間ラッピング(DTW)の高速かつ微分可能な近似法を提案する。
提案手法は,計算効率が向上した他のDTW主近似と同等以上の精度が得られることを示す。
論文 参考訳（メタデータ） (2023-01-30T13:27:47Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - TC-DTW: Accelerating Multivariate Dynamic Time Warping Through Triangle
Inequality and Point Clustering [6.502892821109196]
今日最もよく使われているアルゴリズムは17年前に開発されたアルゴリズムである。
tc-dtwと名付けられた新しいソリューションは、三角不等式と点クラスタリングをアルゴリズム設計に導入する。
DTWをベースとした近接探索実験では、新しい解は最大98%(平均60%)のDTW距離計算を回避し、最大25倍(平均7.5倍)のスピードアップをもたらす。
論文 参考訳（メタデータ） (2021-01-15T16:38:28Z) - Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW [1.282368486390644]
動的時間ワープの下で時系列のモチーフを発見するための,最初のスケーラブルな正確な方法を提案する。
我々のアルゴリズムは、DTW計算の99.99%を許容できる。
論文 参考訳（メタデータ） (2020-09-16T19:35:43Z) - Approximated Bilinear Modules for Temporal Modeling [116.6506871576514]
CNNの2層は補助ブランチサンプリングを追加することで、時間的双線形モジュールに変換できる。
我々のモデルは、事前トレーニングなしで、Something v1とv2データセットの最先端メソッドよりも優れている。
論文 参考訳（メタデータ） (2020-07-25T09:07:35Z) - Aligning Time Series on Incomparable Spaces [83.8261699057419]
本稿では,Gromov dynamic time warping (GDTW)を提案する。
比較不可能な空間に居住する時系列の調整,合成,比較を行う上での有効性を実証する。
論文 参考訳（メタデータ） (2020-06-22T22:19:28Z)
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。