論文の概要: ShapeDBA: Generating Effective Time Series Prototypes using ShapeDTW Barycenter Averaging

• arxiv url: http://arxiv.org/abs/2309.16353v1
• Date: Thu, 28 Sep 2023 11:25:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 14:46:20.289317
• Title: ShapeDBA: Generating Effective Time Series Prototypes using ShapeDTW Barycenter Averaging
• Title（参考訳）: ShapeDBA: ShapeDTW Barycenter Averaging を用いた効率的な時系列プロトタイプ生成
• Authors: Ali Ismail-Fawaz, Hassan Ismail Fawaz, Fran\c{c}ois Petitjean, Maxime Devanne, Jonathan Weber, Stefano Berretti, Geoffrey I. Webb, Germain Forestier
• Abstract要約: 我々のアプローチでは、新しい時系列平均であるShapeDTW Barycentric Averageを使用します。 提案する平均化手法は, 適応ランダム指数を用いて, 新たな最先端化を実現することができる。
• 参考スコア（独自算出の注目度）: 10.120927851475304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data can be found in almost every domain, ranging from the medical field to manufacturing and wireless communication. Generating realistic and useful exemplars and prototypes is a fundamental data analysis task. In this paper, we investigate a novel approach to generating realistic and useful exemplars and prototypes for time series data. Our approach uses a new form of time series average, the ShapeDTW Barycentric Average. We therefore turn our attention to accurately generating time series prototypes with a novel approach. The existing time series prototyping approaches rely on the Dynamic Time Warping (DTW) similarity measure such as DTW Barycentering Average (DBA) and SoftDBA. These last approaches suffer from a common problem of generating out-of-distribution artifacts in their prototypes. This is mostly caused by the DTW variant used and its incapability of detecting neighborhood similarities, instead it detects absolute similarities. Our proposed method, ShapeDBA, uses the ShapeDTW variant of DTW, that overcomes this issue. We chose time series clustering, a popular form of time series analysis to evaluate the outcome of ShapeDBA compared to the other prototyping approaches. Coupled with the k-means clustering algorithm, and evaluated on a total of 123 datasets from the UCR archive, our proposed averaging approach is able to achieve new state-of-the-art results in terms of Adjusted Rand Index.
• Abstract（参考訳）: 時系列データは、医療分野から製造や無線通信まで、ほぼすべての領域で見ることができる。 現実的で有用な例やプロトタイプを生成することは、基本的なデータ分析タスクです。 本稿では,時系列データの現実的かつ有用な実例とプロトタイプを生成するための新しい手法について検討する。 我々のアプローチでは、新しい時系列平均であるShapeDTW Barycentric Averageを使用します。 そこで我々は,新しい手法で正確な時系列プロトタイプを生成することに注意を向ける。 既存の時系列プロトタイピングアプローチは、DTW Barycentering Average (DBA) や SoftDBA といった動的時間ウォーピング(DTW)の類似性尺度に依存している。 これらの最後のアプローチは、彼らのプロトタイプに分散アーティファクトを生成するという共通の問題に苦しむ。 これは主に、DTWの変種と、その近傍の類似性を検出できないことが原因であり、代わりに絶対的な類似性を検出する。 提案手法であるShapeDBAは,DTWのShapeDTW変種を用いてこの問題を克服する。 他のプロトタイピング手法と比較して,shapebaの結果を評価するために,一般的な時系列分析形式である時系列クラスタリングを選択した。 提案手法は,k-meansクラスタリングアルゴリズムと組み合わせて,UCRアーカイブから得られた合計123のデータセットを用いて評価し,適応ランダム指数を用いて,最先端の新たな結果が得られることを示す。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques [3.2422067155309806]
  最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。 また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。 異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
  論文  参考訳（メタデータ） (2023-08-06T17:51:22Z)
• ADATIME: A Benchmarking Suite for Domain Adaptation on Time Series Data [20.34427953468868]
  教師なしドメイン適応手法は、トレーニングデータとは異なる分布を持つ可能性のあるラベルなしテストデータに基づいて、うまく一般化することを目的としている。 時系列ドメイン適応に関する既存の研究は、評価スキーム、データセット、バックボーンニューラルネットワークアーキテクチャの矛盾に悩まされている。 時系列データ上で異なるドメイン適応手法を体系的かつ適切に評価するベンチマーク評価スイート(AdaTime)を開発した。
  論文  参考訳（メタデータ） (2022-03-15T23:55:05Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• 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)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• Pattern Sampling for Shapelet-based Time Series Classification [4.94950858749529]
  時系列分類アルゴリズムは、正確かつ解釈可能なモデルを提供する。 これらのアルゴリズムは、高度に識別されたサブシーケンスの徹底的な探索に基づいている。 パターン爆発現象を緩和するための効果的な代替手段としてパターンサンプリングが提案されている。
  論文  参考訳（メタデータ） (2021-02-16T23:35:10Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Data Curves Clustering Using Common Patterns Detection [0.0]
  分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。 共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
  論文  参考訳（メタデータ） (2020-01-05T18:36:38Z)

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。