論文の概要: LoCoMotif: Discovering time-warped motifs in time series

• arxiv url: http://arxiv.org/abs/2311.17582v1
• Date: Wed, 29 Nov 2023 12:18:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 21:32:07.480166
• Title: LoCoMotif: Discovering time-warped motifs in time series
• Title（参考訳）: locomotif:時系列におけるタイムワープモチーフの発見
• Authors: Daan Van Wesenbeeck, Aras Yurtman, Wannes Meert, Hendrik Blockeel
• Abstract要約: 時系列モチーフディスカバリ(英: Time Series Motif Discovery、TSMD)とは、時系列で何回も発生するパターンを識別するタスクである。 既存のTSMDの手法には以下の制限がある。 制限のないLoCoMotifという新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 7.265353600305124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Motif Discovery (TSMD) refers to the task of identifying patterns that occur multiple times (possibly with minor variations) in a time series. All existing methods for TSMD have one or more of the following limitations: they only look for the two most similar occurrences of a pattern; they only look for patterns of a pre-specified, fixed length; they cannot handle variability along the time axis; and they only handle univariate time series. In this paper, we present a new method, LoCoMotif, that has none of these limitations. The method is motivated by a concrete use case from physiotherapy. We demonstrate the value of the proposed method on this use case. We also introduce a new quantitative evaluation metric for motif discovery, and benchmark data for comparing TSMD methods. LoCoMotif substantially outperforms the existing methods, on top of being more broadly applicable.
• Abstract（参考訳）: 時系列モチーフディスカバリ(英: Time Series Motif Discovery、TSMD)とは、時系列において複数回発生するパターンを識別するタスクである。 tsmdの既存のメソッドには、パターンの最もよく似た2つの発生のみ、事前定義された固定された長さのパターンのみ、時間軸に沿って可変性を処理できないこと、不定の時系列を扱うこと、といった1つ以上の制限がある。 本稿では,これらの制限がないLoCoMotifという新しい手法を提案する。 この方法は、理学療法の具体的な用途によって動機づけられる。 本稿では,本事例における提案手法の有効性について述べる。 また,モチーフ発見のための新しい定量的評価指標と,tsmd法を比較するためのベンチマークデータを提案する。 LoCoMotifは既存のメソッドよりもはるかに優れており、より広く適用できます。

関連論文リスト

• Multiscale Dubuc: A New Similarity Measure for Time Series [1.024113475677323]
  マルチスケールDubuc距離測度を導入し、それがメートル法であることを証明する。 UCR時系列分類アーカイブから95のデータセットを使用して、MDDのパフォーマンスをEuD、LCSS、DTWと比較する。 我々の実験によると、MDDの全体的な成功はケース固有のカスタマイズなしで、データセットごとのウィンドウサイズを最適化したDTWに匹敵する。
  論文  参考訳（メタデータ） (2024-11-15T18:38:18Z)
• Truncated Consistency Models [57.50243901368328]
  トレーニング一貫性モデルは、PF ODE 軌道に沿ったすべての中間点を対応するエンドポイントにマッピングする学習を必要とする。 このトレーニングパラダイムが一貫性モデルの1ステップ生成性能を制限することを実証的に見出した。 整合性関数の新しいパラメータ化と2段階の訓練手順を提案し,時間外学習が崩壊することを防ぐ。
  論文  参考訳（メタデータ） (2024-10-18T22:38:08Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Matrix Profile XXVII: A Novel Distance Measure for Comparing Long Time Series [18.205595410817327]
  本稿では,シリーズにおけるパターン表現比較(Pattern Representation Comparison in Series)の略であるPRCISを紹介する。 PRCISは長い時系列の距離測定であり、辞書で時系列を要約する能力の最近の進歩を生かしている。
  論文  参考訳（メタデータ） (2022-12-09T23:02:23Z)
• Motiflets -- Simple and Accurate Detection of Motifs in Time Series [3.6463708995502273]
  時系列のモチーフは直感的に、より大きな時系列の中でほぼ同じことを繰り返す短い時系列である。 モチーフ発見(MD)は、与えられた入力系列においてそのようなモチーフを見つけるタスクである。 そこで我々は,k-Motifletの正確な近似アルゴリズムを提案し,その複雑性を解析する。
  論文  参考訳（メタデータ） (2022-06-08T08:22:28Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
  連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。 いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。 連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
  論文  参考訳（メタデータ） (2021-08-15T15:05:02Z)
• The Semantic Adjacency Criterion in Time Intervals Mining [70.13948372218849]
  SAC(Semantic Adjacency Criterion)と呼ばれる頻繁な時間パターン発見過程における新たなプルーニング制約を提案する。 我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。
  論文  参考訳（メタデータ） (2021-01-11T12:23:49Z)
• Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW [1.282368486390644]
  動的時間ワープの下で時系列のモチーフを発見するための,最初のスケーラブルな正確な方法を提案する。 我々のアルゴリズムは、DTW計算の99.99%を許容できる。
  論文  参考訳（メタデータ） (2020-09-16T19:35:43Z)
• MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation [12.386304516106854]
  自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。 これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。 本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
  論文  参考訳（メタデータ） (2020-08-19T05:32:14Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。