論文の概要: DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend
- arxiv url: http://arxiv.org/abs/2309.03579v2
- Date: Wed, 29 Nov 2023 13:21:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 00:54:22.083432
- Title: DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend
- Title（参考訳）: DTW+S: 時系列と順序付き局所トレンドの比較
- Authors: Ajitesh Srivastava
- Abstract要約: そこで,同時期に発生し,容易に解釈可能な類似の傾向を求める尺度を開発した。
本稿では,時系列の解釈可能な「閉鎖性保存」行列表現を生成する新しい尺度DTW+Sを提案する。
DTW+Sは,ベースラインと比較して優れたクラスタリングを実現できる唯一の尺度であることを示す。
- 参考スコア（独自算出の注目度）: 4.6380010540165655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Measuring distance or similarity between time-series data is a fundamental
aspect of many applications including classification, clustering, and
ensembling/alignment. Existing measures may fail to capture similarities among
local trends (shapes) and may even produce misleading results. Our goal is to
develop a measure that looks for similar trends occurring around similar times
and is easily interpretable for researchers in applied domains. This is
particularly useful for applications where time-series have a sequence of
meaningful local trends that are ordered, such as in epidemics (a surge to an
increase to a peak to a decrease). We propose a novel measure, DTW+S, which
creates an interpretable "closeness-preserving" matrix representation of the
time-series, where each column represents local trends, and then it applies
Dynamic Time Warping to compute distances between these matrices. We present a
theoretical analysis that supports the choice of this representation. We
demonstrate the utility of DTW+S in several tasks. For the clustering of
epidemic curves, we show that DTW+S is the only measure able to produce good
clustering compared to the baselines. For ensemble building, we propose a
combination of DTW+S and barycenter averaging that results in the best
preservation of characteristics of the underlying trajectories. We also
demonstrate that our approach results in better classification compared to
Dynamic Time Warping for a class of datasets, particularly when local trends
rather than scale play a decisive role.
- Abstract（参考訳）: 時系列データ間の距離や類似度を測定することは、分類、クラスタリング、アンサンブル/アライメントを含む多くのアプリケーションの基本的側面である。
既存の措置では、地域傾向(形)の類似性を捉えられず、誤解を招く結果を生み出すこともある。
当社の目標は、同様の傾向が同じ時期に発生し、適用領域の研究者にとって容易に解釈可能な指標を開発することです。
これは、流行(ピークまで上昇して減少する)のような、順序付けられた有意義な局所的な傾向のシーケンスを持つアプリケーションにとって特に有用である。
本稿では,各列が局所的傾向を表す時系列の解釈可能な「閉鎖性保存」行列表現を作成し,それらの行列間の距離を計算するために動的時間ワープを適用する新しい尺度DTW+Sを提案する。
我々は,この表現の選択を支援する理論的解析を行う。
いくつかのタスクでDTW+Sの有用性を示す。
流行曲線のクラスタリングでは,DTW+Sが基準線に比べて優れたクラスタリングを実現できる唯一の指標であることを示す。
アンサンブル・ビルディングにはDTW+Sとバリーセンタ平均化の組み合わせが提案され,基礎となる軌道特性の保存が最善である。
また,大規模ではなく局所的な傾向が決定的な役割を担っている場合,我々のアプローチは,データセットのクラスに対する動的時間ワープよりも優れた分類をもたらすことを示す。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - OTW: Optimal Transport Warping for Time Series [75.69837166816501]
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。
論文 参考訳（メタデータ） (2023-06-01T12:45:00Z) - 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) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - SOMTimeS: Self Organizing Maps for Time Series Clustering and its
Application to Serious Illness Conversations [3.2689702143620147]
我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。
他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。
我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
論文 参考訳（メタデータ） (2021-08-26T00:18:25Z) - Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。
提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。
その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
論文 参考訳（メタデータ） (2021-07-03T00:19:17Z) - Elastic Similarity Measures for Multivariate Time Series Classification [4.5669999076671655]
弾性類似度測定は、時系列データで動作するように特別に設計された類似度測定のクラスです。
弾性類似度測定は、分類、クラスタリング、外れ値検出などの機械学習タスクで広く使用されている。
論文 参考訳（メタデータ） (2021-02-20T02:24:33Z) - 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。