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

• GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network [24.37330736887409]
  サブシーケンス異常検出,すなわちGraphSubDetectorに対する新しいアプローチを提案する。 まず、正規パターンと異常パターンの両方の特徴を強調する長さ選択機構を用いて、適切な列長を適応的に学習する。 第2に、サブシーケンス間のメッセージパッシングによる異常検出のための正規データの分散に対して、より堅牢な表現を生成できる密度対応適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T08:36:07Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations [0.8437187555622164]
  逐次リコメンデータシステムは、ユーザの履歴におけるインタラクションの順序を利用して、将来のインタラクションを予測することを目的としている。 シーケンシャルな構造を示すデータセットを使用して、シーケンシャルなレコメンデータを適切に評価することが重要です。 本研究では,ユーザの対話列のランダムシャッフルに基づくいくつかの手法を適用し,15個のデータセットの連続構造の強度を評価する。
  論文  参考訳（メタデータ） (2024-08-21T21:40:07Z)
• Temporally Grounding Instructional Diagrams in Unconstrained Videos [51.85805768507356]
  本稿では,ビデオ中の命令図中のクエリ列を同時にローカライズするという課題について検討する。 既存のほとんどのメソッドは、クエリの固有の構造を無視しながら、一度に1つのクエリをグラウンドすることに焦点を当てている。 ステップダイアグラムの視覚的特徴を包括的にペアリングして構築した複合クエリを提案する。 ステップ図のグラウンド化のためのIAWデータセットと自然言語クエリのグラウンド化のためのYouCook2ベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-16T05:44:30Z)
• Capturing Temporal Components for Time Series Classification [5.70772577110828]
  本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。 マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。 シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
  論文  参考訳（メタデータ） (2024-06-20T16:15:21Z)
• 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)
• 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)
• 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)

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。