論文の概要: Ego-Network Transformer for Subsequence Classification in Time Series
Data
- arxiv url: http://arxiv.org/abs/2311.02561v1
- Date: Sun, 5 Nov 2023 04:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 17:07:53.593848
- Title: Ego-Network Transformer for Subsequence Classification in Time Series
Data
- Title(参考訳): 時系列データのサブシーケンス分類のためのEgo-Network Transformer
- Authors: Chin-Chia Michael Yeh, Huiyuan Chen, Yujie Fan, Xin Dai, Yan Zheng,
Vivian Lai, Junpeng Wang, Zhongfang Zhuang, Liang Wang, Wei Zhang, Eamonn
Keogh
- Abstract要約: 実世界の時系列データは、しばしば背景のサブシーケンスと連動する前景のサブシーケンスを含む。
本稿では,各サブシーケンスをエゴネットワークとして表現する新しいサブシーケンス分類法を提案する。
提案手法は158個のデータセットのうち104個のベースラインを上回ります。
- 参考スコア(独自算出の注目度): 36.591480151951515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series classification is a widely studied problem in the field of time
series data mining. Previous research has predominantly focused on scenarios
where relevant or foreground subsequences have already been extracted, with
each subsequence corresponding to a single label. However, real-world time
series data often contain foreground subsequences that are intertwined with
background subsequences. Successfully classifying these relevant subsequences
requires not only distinguishing between different classes but also accurately
identifying the foreground subsequences amidst the background. To address this
challenge, we propose a novel subsequence classification method that represents
each subsequence as an ego-network, providing crucial nearest neighbor
information to the model. The ego-networks of all subsequences collectively
form a time series subsequence graph, and we introduce an algorithm to
efficiently construct this graph. Furthermore, we have demonstrated the
significance of enforcing temporal consistency in the prediction of adjacent
subsequences for the subsequence classification problem. To evaluate the
effectiveness of our approach, we conducted experiments using 128 univariate
and 30 multivariate time series datasets. The experimental results demonstrate
the superior performance of our method compared to alternative approaches.
Specifically, our method outperforms the baseline on 104 out of 158 datasets.
- Abstract(参考訳): 時系列分類は時系列データマイニングの分野で広く研究されている問題である。
これまでの研究は主に、関連するサブシーケンスまたは前景のサブシーケンスが既に抽出されているシナリオに焦点を当ててきた。
しかしながら、現実世界の時系列データは、しばしば背景のサブシーケンスと絡み合う前景のサブシーケンスを含む。
これらの関連するサブシーケンスをうまく分類するには、異なるクラスを区別するだけでなく、背景の前のサブシーケンスを正確に識別する必要がある。
この課題に対処するために、各サブシーケンスをエゴネットワークとして表現し、モデルに最も近い情報を提供する新しいサブシーケンス分類手法を提案する。
各サブシーケンスのego-networksは時系列サブシーケンスグラフをまとめて作成し、このグラフを効率的に構築するアルゴリズムを導入する。
さらに,サブシーケンス分類問題に対する隣接サブシーケンスの予測において,時間的一貫性を強制することの重要性を実証した。
提案手法の有効性を評価するため、128の単変量と30の多変量時系列データセットを用いて実験を行った。
実験の結果,提案手法は代替手法に比べて優れた性能を示した。
具体的には、158のデータセットのうち104のベースラインよりも優れている。
関連論文リスト
- Efficient High-Resolution Time Series Classification via Attention
Kronecker Decomposition [17.71968215237596]
高分解能時系列分類は、様々な領域で詳細な時間データが利用可能になるために不可欠である。
そこで我々は,Kroneckerで分解された注目を多段階の時系列処理に向けることで,新しい時系列トランスフォーマーバックボーン(KronTime)を提案する。
4つの時系列データセットによる実験は, ベースライン法と比較して, 優れた分類結果を示し, 効率が向上した。
論文 参考訳(メタデータ) (2024-03-07T20:14:20Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
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) - Seq-HyGAN: Sequence Classification via Hypergraph Attention Network [0.0]
シークエンス分類は、健康におけるゲノム分類やビジネスにおける異常検出など、さまざまな領域における幅広い実世界の応用を有する。
シーケンスデータに明示的な機能がないため、機械学習モデルでは難しい。
本稿では,新しいハイパーグラフ注意ネットワークモデル,Seq-HyGANを提案する。
論文 参考訳(メタデータ) (2023-03-04T11:53:33Z) - Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - Uniform Sequence Better: Time Interval Aware Data Augmentation for
Sequential Recommendation [16.00020821220671]
シーケンシャルレコメンデーションは、アイテムのシーケンスに基づいてアクセスする次の項目を予測する重要なタスクである。
既存の作業の多くは、これらの2つの項目間の時間間隔を無視して、前の項目から次の項目への遷移パターンとして、ユーザの好みを学ぶ。
文献では研究されていない時間間隔の観点からシーケンスデータを拡張することを提案する。
論文 参考訳(メタデータ) (2022-12-16T03:13:43Z) - COSTI: a New Classifier for Sequences of Temporal Intervals [0.0]
時間間隔のシーケンスを直接操作する新しい分類法を開発した。
提案手法は高い精度を保ち、変換データの操作に接続する欠点を回避しつつ、より良い性能が得られる。
論文 参考訳(メタデータ) (2022-04-28T12:55:06Z) - 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) - 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) - Parallel Attention Network with Sequence Matching for Video Grounding [56.649826885121264]
ビデオのグラウンドティングは、意味的に言語クエリに対応する時間モーメントを検索することを目的としている。
この課題を解決するために、シーケンスマッチング(SeqPAN)を備えた並列アテンションネットワークを提案します。
論文 参考訳(メタデータ) (2021-05-18T12:43:20Z) - Integrated Time Series Summarization and Prediction Algorithm and its
Application to COVID-19 Data Mining [0.0]
提案手法は2つのグローバルなCOVID-19データセットで評価される。
利用可能なデータの異常検出に基づいて、ロックダウンからの分散出口戦略を提唱する。
論文 参考訳(メタデータ) (2020-05-01T20:16:39Z)
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。