論文の概要: Multivariate time series classification with dual attention network

• arxiv url: http://arxiv.org/abs/2308.13968v1
• Date: Sat, 26 Aug 2023 22:47:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 17:58:40.083020
• Title: Multivariate time series classification with dual attention network
• Title（参考訳）: デュアルアテンションネットワークを用いた多変量時系列分類
• Authors: Mojtaba A. Farahani, Tara Eslaminokandeh
• Abstract要約: 本研究では,時系列分類のための局所的特徴とグローバルな特徴を抽出する新しいネットワーク(DA-Net)を探索する。 DA-Netを構成する2つの異なるレイヤは、Squeeze-Excitation Window Attention(SEWA)層とWindows(SSAW)層内のSparse Self-Attention(SSAW)層である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: One of the topics in machine learning that is becoming more and more relevant is multivariate time series classification. Current techniques concentrate on identifying the local important sequence segments or establishing the global long-range dependencies. They frequently disregard the merged data from both global and local features, though. Using dual attention, we explore a novel network (DA-Net) in this research to extract local and global features for multivariate time series classification. The two distinct layers that make up DA-Net are the Squeeze-Excitation Window Attention (SEWA) layer and the Sparse Self-Attention within Windows (SSAW) layer. DA- Net can mine essential local sequence fragments that are necessary for establishing global long-range dependencies based on the two expanded layers.
• Abstract（参考訳）: マシンラーニングのトピックの1つは、多変量時系列分類(multivariate time series classification)である。 現在の技術では、局所的な重要なシーケンスセグメントの特定や、グローバルな長距離依存関係の確立に集中している。 ただし、マージされたデータをグローバル機能とローカル機能の両方から無視することが多い。 本研究では,多変量時系列分類のための局所的特徴と大域的特徴を抽出し,新しいネットワーク(da-net)を探索する。 DA-Netを構成する2つの異なるレイヤは、Squeeze-Excitation Window Attention(SEWA)層とWindows(SSAW)層内のSparse Self-Attention(SSAW)層である。 da-netは、2つの拡張層に基づいてグローバルな長距離依存関係を確立するために必要な必須のローカルシーケンスフラグメントをマイニングすることができる。

関連論文リスト

• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Efficient Forecasting of Large Scale Hierarchical Time Series via Multilevel Clustering [26.236569277576425]
  本稿では階層的に集約された時系列データをクラスタリングする問題に対する新しいアプローチを提案する。 集約されたレベルごとに時系列をグループ化し、同時にローカル情報とグローバル情報を活用する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:05Z)
• L2G: A Simple Local-to-Global Knowledge Transfer Framework for Weakly Supervised Semantic Segmentation [67.26984058377435]
  高品質なオブジェクトアテンションマイニングのための簡易なローカル・グローバルな知識伝達フレームワークであるL2Gについて述べる。 本フレームワークは,グローバルな視点から収集したリッチオブジェクトの詳細知識をグローバルネットワークで学習する。 実験の結果,PASCAL VOC 2012とMS COCO 2014の検証セットにおいて,72.1%,44.2%のmIoU値が得られた。
  論文  参考訳（メタデータ） (2022-04-07T04:31:32Z)
• Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
  本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。 時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。 完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-04-02T08:58:44Z)
• Multi-Faceted Representation Learning with Hybrid Architecture for Time Series Classification [16.64345034889185]
  SARCoN(Self-Attentive Recurrent Convolutional Networks)と呼ばれるハイブリッドニューラルネットワークを提案する。 SARCoNは、長期記憶ネットワークと自己拡張機構と完全な畳み込みネットワークの合成である。 我々の研究は、時系列分類の理解を深める新しいアングルを提供し、提案したモデルを現実世界のアプリケーションに最適な選択肢とみなす。
  論文  参考訳（メタデータ） (2020-12-21T16:42:07Z)
• RTFN: A Robust Temporal Feature Network for Time Series Classification [9.982074664830867]
  時系列データは通常、ローカルパターンとグローバルパターンを含む。 特徴ネットワークによる表現を得ることはまだ困難である。 我々は、新しい時間的特徴ネットワーク(TFN)とLSTMベースの注目ネットワーク(LSTMaN)を提案する。
  論文  参考訳（メタデータ） (2020-11-24T01:24:04Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Cluster-Former: Clustering-based Sparse Transformer for Long-Range Dependency Encoding [90.77031668988661]
  Cluster-Formerはクラスタリングベースの新しいスパーストランスであり、チャンクされたシーケンスにまたがって注意を向ける。 提案されたフレームワークは、Sliding-Window LayerとCluster-Former Layerの2つのユニークなタイプのTransformer Layerにピボットされている。 実験によると、Cluster-Formerはいくつかの主要なQAベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-13T22:09:30Z)
• Multi-Stage Hybrid Federated Learning over Large-Scale D2D-Enabled Fog Networks [61.30171206892684]
  ネットワークを多層クラスタベース構造とみなす階層内モデル学習と層間モデル学習のハイブリッドを開発する。 MH-FLは、デバイス間通信(D2D)を介して形成されたローカルネットワークを含む、クラスタ内のノード間のトポロジー構造を考察している。 異なるネットワーク層におけるデバイスを協調的/協調的にオーケストレーションし、モデルパラメータの局所的なコンセンサスを形成する。
  論文  参考訳（メタデータ） (2020-07-18T20:03:07Z)
• Instance Explainable Temporal Network For Multivariate Timeseries [0.0]
  本稿では,推論のインスタンスごとの分類決定において重要なチャネルを識別する新しいネットワーク(IETNet)を提案する。 IETNetは、時間的特徴抽出、変数選択、共同変数の相互作用を単一の学習フレームワークに組み合わせたエンドツーエンドネットワークである。
  論文  参考訳（メタデータ） (2020-05-26T20:55:24Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。