論文の概要: Time-to-Pattern: Information-Theoretic Unsupervised Learning for Scalable Time Series Summarization

• arxiv url: http://arxiv.org/abs/2308.13722v1
• Date: Sat, 26 Aug 2023 01:15:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 19:39:17.831836
• Title: Time-to-Pattern: Information-Theoretic Unsupervised Learning for Scalable Time Series Summarization
• Title（参考訳）: Time-to-Pattern: スケーラブル時系列要約のための情報理論的教師なし学習
• Authors: Alireza Ghods, Trong Nghia Hoang, and Diane Cook
• Abstract要約: 時系列要約におけるT2P(Time-to-Pattern)という手法を提案する。 T2Pは、最小記述長の概念に従って、最も有能な情報をエンコードする多様なパターンの集合を見つけることを目的としている。 人工的および実世界の実験により、T2Pはノイズや複雑な環境においても、情報的パターンを発見することが判明した。
• 参考スコア（独自算出の注目度）: 7.294418916091012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data summarization is the process of generating interpretable and representative subsets from a dataset. Existing time series summarization approaches often search for recurring subsequences using a set of manually devised similarity functions to summarize the data. However, such approaches are fraught with limitations stemming from an exhaustive search coupled with a heuristic definition of series similarity. Such approaches affect the diversity and comprehensiveness of the generated data summaries. To mitigate these limitations, we introduce an approach to time series summarization, called Time-to-Pattern (T2P), which aims to find a set of diverse patterns that together encode the most salient information, following the notion of minimum description length. T2P is implemented as a deep generative model that learns informative embeddings of the discrete time series on a latent space specifically designed to be interpretable. Our synthetic and real-world experiments reveal that T2P discovers informative patterns, even in noisy and complex settings. Furthermore, our results also showcase the improved performance of T2P over previous work in pattern diversity and processing scalability, which conclusively demonstrate the algorithm's effectiveness for time series summarization.
• Abstract（参考訳）: データ要約は、データセットから解釈可能なサブセットと代表サブセットを生成するプロセスである。 既存の時系列要約手法は、しばしばデータを要約するために手動で考案された類似関数のセットを用いて繰り返し列を探索する。 しかし、そのようなアプローチは、級数類似性のヒューリスティックな定義と組み合わされた徹底的な探索によって引き起こされる制限に苦しめられている。 このようなアプローチは、生成されたデータサマリーの多様性と包括性に影響する。 これらの制約を緩和するため,我々は,最少記述長の概念に従い,最も有意義な情報をエンコードする多様なパターンのセットを見つけることを目的とした,時系列要約手法t2p(time-to-pattern)を提案する。 T2Pは、解釈可能なように設計された潜在空間上の離散時系列の情報埋め込みを学習する深層生成モデルとして実装される。 人工的および実世界の実験により、T2Pはノイズや複雑な環境でも情報的パターンを発見することが判明した。 さらに,t2pの性能は,パターンの多様性と処理のスケーラビリティにおいて従来よりも向上し,時系列要約におけるアルゴリズムの有効性を実証した。

関連論文リスト

• Explaining Time Series via Contrastive and Locally Sparse Perturbations [45.055327583283315]
  ContraLSPは、非形式的摂動を構築するために反事実サンプルを導入するスパースモデルである。 合成と実世界の両方のデータセットに関する実証研究は、ContraLSPが最先端のモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-16T18:27:37Z)
• 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)
• TS-Diffusion: Generating Highly Complex Time Series with Diffusion Models [12.646560434352478]
  我々は、サンプリング不規則性、欠如、大きな特徴時間次元を含む3つの共通の悪い性質を持つ時系列のクラスを考える。 このような複雑な時系列を処理するための一般モデルTS-Diffusionを導入する。 我々は、複数の時系列データセットについて広範な実験を行い、TS-Diffusionが従来の時系列と複雑な時系列の両方で優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-11-06T17:52:08Z)
• A novel decomposed-ensemble time series forecasting framework: capturing underlying volatility information [6.590038231008498]
  本稿では, 時系列予測のパラダイムを提案する。このパラダイムは, 分解と, 時系列の揺らぎ情報を取得する能力を統合するものである。 各サブモードの数値データとボラティリティ情報の両方を利用してニューラルネットワークを訓練する。 このネットワークはサブモデムの情報予測に長けており、全てのサブモデムの予測を集約して最終的な出力を生成する。
  論文  参考訳（メタデータ） (2023-10-13T01:50:43Z)
• Latent Processes Identification From Multi-View Time Series [17.33428123777779]
  本稿では,データ生成過程を逆転させて識別可能性を高めるために,コントラスト学習技術を用いた新しいフレームワークを提案する。 MuLTIは、最適輸送公式の確立によって、対応する重複変数をマージする置換機構を統合する。
  論文  参考訳（メタデータ） (2023-05-14T14:21:58Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
  一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。 私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
  論文  参考訳（メタデータ） (2021-03-15T08:12:19Z)
• Counting Out Time: Class Agnostic Video Repetition Counting in the Wild [82.26003709476848]
  本稿では,アクションがビデオで繰り返される期間を推定するためのアプローチを提案する。 アプローチの要点は、周期予測モジュールを時間的自己相似性を使用するように制約することにある。 我々は、大規模なラベルなしビデオコレクションから生成される合成データセットを用いて、Repnetと呼ばれるこのモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-06-27T18:00:42Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)

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。