論文の概要: Sketching Multidimensional Time Series for Fast Discord Mining

• arxiv url: http://arxiv.org/abs/2311.03393v2
• Date: Wed, 6 Dec 2023 01:01:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 18:03:03.730274
• Title: Sketching Multidimensional Time Series for Fast Discord Mining
• Title（参考訳）: 高速ディスクマイニングのためのマルチ次元時系列のスケッチ
• Authors: Chin-Chia Michael Yeh, Yan Zheng, Menghai Pan, Huiyuan Chen, Zhongfang Zhuang, Junpeng Wang, Liang Wang, Wei Zhang, Jeff M. Phillips, Eamonn Keogh
• Abstract要約: 多次元時系列間の不協和音マイニングのためのスケッチを提案する。 提案アルゴリズムはスループットを少なくとも1桁(50X)改善し、近似された解の品質に最小限の影響しか与えない。
• 参考スコア（独自算出の注目度）: 37.342885653387604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series discords are a useful primitive for time series anomaly detection, and the matrix profile is capable of capturing discord effectively. There exist many research efforts to improve the scalability of discord discovery with respect to the length of time series. However, there is surprisingly little work focused on reducing the time complexity of matrix profile computation associated with dimensionality of a multidimensional time series. In this work, we propose a sketch for discord mining among multi-dimensional time series. After an initial pre-processing of the sketch as fast as reading the data, the discord mining has runtime independent of the dimensionality of the original data. On several real world examples from water treatment and transportation, the proposed algorithm improves the throughput by at least an order of magnitude (50X) and only has minimal impact on the quality of the approximated solution. Additionally, the proposed method can handle the dynamic addition or deletion of dimensions inconsequential overhead. This allows a data analyst to consider "what-if" scenarios in real time while exploring the data.
• Abstract（参考訳）: 時系列ディスコードは時系列異常検出に有用なプリミティブであり、マトリックスプロファイルは効果的にディスコードを取り込むことができる。 時系列の長さに関して、ディスコード発見のスケーラビリティを向上させるための研究が数多く存在する。 しかし、多次元時系列の次元に付随する行列プロファイル計算の時間的複雑さの低減に焦点を当てる作業は驚くほど少ない。 本研究では,多次元時系列間の不協和音マイニングのためのスケッチを提案する。 データを読み取るのと同じくらい早くスケッチを初期処理した後、ディスコードマイニングは元のデータの次元に依存しない実行時間を持つ。 水処理と輸送から得られたいくつかの実世界の例では、提案アルゴリズムは少なくとも1桁(50倍)のスループットを向上し、近似解の品質への影響は最小限である。 さらに,提案手法は,非連続的オーバーヘッドによる次元の動的付加や削除を処理できる。 これにより、データアナリストは、データを探索しながらリアルタイムに"What-if"シナリオを検討できる。

関連論文リスト

• 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)
• Transformer-Based Multi-Object Smoothing with Decoupled Data Association and Smoothing [20.99082981430798]
  マルチオブジェクト追跡(Multi-object Tracking、MOT)は、ある時間ウィンドウ上で、未知および時間変化したオブジェクトの状態軌跡を推定するタスクである。 ディープラーニングベースのアルゴリズムはこの問題に対処する場として考えられるが、正確なマルチオブジェクトモデルが利用できるような環境では広く適用されていない。 本稿では,データアソシエーションタスクをスムースなタスクから切り離すような,この設定に適した新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-12-22T20:24:39Z)
• Fast Non-Rigid Radiance Fields from Monocularized Data [66.74229489512683]
  本稿では,不規則に変形するシーンを360度内向きに合成する新しい手法を提案する。 提案手法のコアとなるのは, 空間情報と時間情報の処理を分離し, 訓練と推論を高速化する効率的な変形モジュール, 2) 高速ハッシュ符号化ニューラルラジオアンスフィールドとしての標準シーンを表す静的モジュールである。 どちらの場合も,本手法は従来の手法よりもはるかに高速で,7分未満で収束し,1K解像度でリアルタイムのフレームレートを実現するとともに,生成した新規なビューに対して高い視覚的精度が得られる。
  論文  参考訳（メタデータ） (2022-12-02T18:51:10Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• A Data-dependent Approach for High Dimensional (Robust) Wasserstein Alignment [10.374243304018794]
  本稿では,高次元幾何学的パターンを圧縮する効果的な枠組みを提案する。 我々の考えは、高次元データはしばしば本質的な次元が低いという観察にインスパイアされている。 我々のフレームワークは、入力データの本質的な次元に依存する複雑さを持つデータ依存のアプローチである。
  論文  参考訳（メタデータ） (2022-09-07T03:29:26Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Efficient Algorithms for Sparse Moment Problems without Separation [6.732901486505047]
  ノイズモーメント情報から高次元空間における$k$-spike混合を学習するスパースモーメント問題を考える。 以前のアルゴリズムは、特定の分離仮定を仮定するか、より多くのリカバリモーメントを使用するか、または(超)指数時間で実行します。 高次元の場合のアルゴリズムは、混合の1次元射影をランダムなベクトルと混合の2次元射影のセットに整列させることにより、各スパイクの座標を決定する。
  論文  参考訳（メタデータ） (2022-07-26T16:17:32Z)
• Time-Series Anomaly Detection with Implicit Neural Representation [0.38073142980733]
  Inlicit Neural Representation-based Anomaly Detection (INRAD)を提案する。 入力に時間がかかり、その時点で対応する値を出力する単純な多層パーセプトロンを訓練する。 そして,その表現誤りを異常検出のための異常スコアとして利用する。
  論文  参考訳（メタデータ） (2022-01-28T06:17:24Z)
• 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)
• Learning Time Series from Scale Information [12.508205923596384]
  本稿では,スケールベース推論と呼ばれる新しい概念を提案する。 まず1つの時系列に最適に選ばれた$k$-nearest近傍に基づくノンパラメトリック予測器を提案する。 次に,過去のデータを様々な解像度で逐次予測するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-18T05:33:18Z)

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。