論文の概要: Identification of Stochasticity by Matrix-decomposition: Applied on Black Hole Data

• arxiv url: http://arxiv.org/abs/2307.07703v1
• Date: Sat, 15 Jul 2023 04:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 18:17:33.000378
• Title: Identification of Stochasticity by Matrix-decomposition: Applied on Black Hole Data
• Title（参考訳）: マトリックス分解による確率の同定:黒穴データへの適用
• Authors: Sai Pradeep Chakka, Sunil Kumar Vengalil, Neelam Sinha
• Abstract要約: 提案されたアルゴリズムは、12の時間クラスのブラックホール GRS 1915+105 に適用される。 その結果, GRS 1915+105 の12時間クラスのうち, SVD-label と PCA-label の一致率が 11 であることがわかった。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Timeseries classification as stochastic (noise-like) or non-stochastic (structured), helps understand the underlying dynamics, in several domains. Here we propose a two-legged matrix decomposition-based algorithm utilizing two complementary techniques for classification. In Singular Value Decomposition (SVD) based analysis leg, we perform topological analysis (Betti numbers) on singular vectors containing temporal information, leading to SVD-label. Parallely, temporal-ordering agnostic Principal Component Analysis (PCA) is performed, and the proposed PCA-derived features are computed. These features, extracted from synthetic timeseries of the two labels, are observed to map the timeseries to a linearly separable feature space. Support Vector Machine (SVM) is used to produce PCA-label. The proposed methods have been applied to synthetic data, comprising 41 realisations of white-noise, pink-noise (stochastic), Logistic-map at growth-rate 4 and Lorentz-system (non-stochastic), as proof-of-concept. Proposed algorithm is applied on astronomical data: 12 temporal-classes of timeseries of black hole GRS 1915+105, obtained from RXTE satellite with average length 25000. For a given timeseries, if SVD-label and PCA-label concur, then the label is retained; else deemed "Uncertain". Comparison of obtained results with those in literature are presented. It's found that out of 12 temporal classes of GRS 1915+105, concurrence between SVD-label and PCA-label is obtained on 11 of them.
• Abstract（参考訳）: 確率的(ノイズのような)あるいは非確率的(構造的)な時系列分類は、いくつかの領域における基盤となるダイナミクスを理解するのに役立つ。 本稿では,2つの相補的手法を用いた2脚行列分解に基づくアルゴリズムを提案する。 Singular Value Decomposition (SVD) に基づく解析脚では、時間情報を含む特異ベクトル上で位相解析(ベッチ数)を行い、SVDラベルを生成する。 同時に、時間順序に依存しない主成分分析(PCA)を行い、提案したPCAの特徴を計算した。 これらの特徴は、2つのラベルの合成時空から抽出され、時間軸を線形に分離可能な特徴空間にマッピングする。 Support Vector Machine (SVM)はPCAラベルを作成するために使用される。 提案手法は, ホワイトノイズ, ピンクノイズ(確率), 成長速度4のロジスティックマップ, ローレンツ系(非確率)の41種を概念実証として合成データに適用した。 提案されたアルゴリズムは、平均長さ25,000のRXTE衛星から得られた12時間クラスのブラックホール GRS 1915+105 に適用される。 特定の時刻について、SVD-labelとPCA-labelが一致した場合、そのラベルは保持される。 得られた結果と文献との比較を行った。 その結果, GRS 1915+105 の12時間クラスのうち, SVD-label と PCA-label の一致率が 11 であることがわかった。

関連論文リスト

• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [70.26374282390401]
  ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。 本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)
• Identifying Stochasticity in Time-Series with Autoencoder-Based Content-aware 2D Representation: Application to Black Hole Data [1.52292571922932]
  本稿では,自動エンコーダに基づく2次元表現を用いて時系列を非確率的に分類する。 時間領域と周波数領域の特性を同時に利用する2次元表現への1次元時系列のコンテンツ対応変換を提案する。
  論文  参考訳（メタデータ） (2023-04-23T07:17:45Z)
• Self-supervised motion descriptor for cardiac phase detection in 4D CMR based on discrete vector field estimations [1.5755566067326996]
  本研究では, 変形可能なベクトル場を用いて心循環の動的過程を, 導出した1次元モーションディスクリプタの形で効率的に記述する方法を示す。 我々は, マルチディスリーブ, センター, 走査型短軸CMRデータセットにおけるモーションディスクリプタの妥当性を評価する。
  論文  参考訳（メタデータ） (2022-09-13T07:23:17Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Why Approximate Matrix Square Root Outperforms Accurate SVD in Global Covariance Pooling? [59.820507600960745]
  本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。 提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-06T08:03:45Z)
• BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video Person Re-Identification [86.73532136686438]
  映像人物再識別(reID)のための効率的な時空間表現法を提案する。 空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。 BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
  論文  参考訳（メタデータ） (2021-04-30T06:44:34Z)
• AFP-SRC: Identification of Antifreeze Proteins Using Sparse Representation Classifier [5.285065659030821]
  極寒地に住む種は、解凍タンパク質(AFP)を用いた厳しい環境と戦う スパース再構成を用いたサンプル固有分類法を用いて,AFPの予測のための計算フレームワークを提案する。 提案手法は, 平衡精度とユーデン指数の点で優れていた。
  論文  参考訳（メタデータ） (2020-09-11T08:24:50Z)
• Longitudinal Support Vector Machines for High Dimensional Time Series [0.0]
  観察された機能データから分類器を学習する問題を考察する。 特に,新たな時系列のラベルを予測するための学習の課題について考察する。
  論文  参考訳（メタデータ） (2020-02-22T20:01:59Z)

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。