論文の概要: Dynamic Multi-Network Mining of Tensor Time Series
- arxiv url: http://arxiv.org/abs/2402.11773v2
- Date: Thu, 22 Feb 2024 01:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 11:52:58.206650
- Title: Dynamic Multi-Network Mining of Tensor Time Series
- Title（参考訳）: テンソル時系列の動的マルチネットワークマイニング
- Authors: Kohei Obata, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai
- Abstract要約: 時系列の時系列クラスタリングは、データマイニングにおいて重要なタスクである。
動的マルチネットワーク時系列クラスタリング(DMM)を提案する。
本手法はクラスタリング精度の点で最先端の手法より優れている。
- 参考スコア（独自算出の注目度）: 8.59982222642104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subsequence clustering of time series is an essential task in data mining,
and interpreting the resulting clusters is also crucial since we generally do
not have prior knowledge of the data. Thus, given a large collection of tensor
time series consisting of multiple modes, including timestamps, how can we
achieve subsequence clustering for tensor time series and provide interpretable
insights? In this paper, we propose a new method, Dynamic Multi-network Mining
(DMM), that converts a tensor time series into a set of segment groups of
various lengths (i.e., clusters) characterized by a dependency network
constrained with l1-norm. Our method has the following properties. (a)
Interpretable: it characterizes the cluster with multiple networks, each of
which is a sparse dependency network of a corresponding non-temporal mode, and
thus provides visible and interpretable insights into the key relationships.
(b) Accurate: it discovers the clusters with distinct networks from tensor time
series according to the minimum description length (MDL). (c) Scalable: it
scales linearly in terms of the input data size when solving a non-convex
problem to optimize the number of segments and clusters, and thus it is
applicable to long-range and high-dimensional tensors. Extensive experiments
with synthetic datasets confirm that our method outperforms the
state-of-the-art methods in terms of clustering accuracy. We then use real
datasets to demonstrate that DMM is useful for providing interpretable insights
from tensor time series.
- Abstract（参考訳）: 時系列のサブシーケンスクラスタリングは、データマイニングにおいて不可欠なタスクであり、結果として得られたクラスタを解釈するのもまた重要です。
したがって、タイムスタンプを含む複数のモードからなるテンソル時系列の大規模なコレクションを考えると、どのようにテンソル時系列のサブシーケンスクラスタリングを達成し、解釈可能な洞察を提供するのか?
本稿では,テンソル時系列を,l1-ノルムに制約された依存ネットワークを特徴とする,様々な長さ(すなわちクラスタ)のセグメント群に変換する新しい手法である動的マルチネットワークマイニング(dmm)を提案する。
本手法は以下の性質を有する。
(a)解釈可能:クラスタを複数のネットワークで特徴付け、それぞれが対応する非時間モードのスパース依存ネットワークであり、キー関係に対する可視的かつ解釈可能な洞察を提供する。
(b)正確:最小記述長(mdl)に従って、テンソル時系列から異なるネットワークを持つクラスタを検出する。
(c)スケーラブル:非凸問題を解く際に、セグメント数やクラスタ数を最適化するために、入力データサイズの観点から線形にスケールするので、長距離および高次元テンソルに適用できる。
合成データセットを用いた広範囲な実験により,本手法がクラスタリング精度において最先端手法よりも優れていることを確認した。
次に、実際のデータセットを用いて、DMMがテンソル時系列からの解釈可能な洞察を提供するのに役立つことを示す。
関連論文リスト
- Correlating Time Series with Interpretable Convolutional Kernels [18.77493756204539]
本研究では,時系列データにおける畳み込みカーネル学習の問題に対処する。
テンソル計算を用いて、畳み込みカーネル学習問題をテンソルの形で再構成する。
本研究は時系列データから畳み込みカーネルを自動的に学習するための洞察力のある基礎を築いた。
論文 参考訳（メタデータ） (2024-09-02T16:29:21Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - 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) - 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) - Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。
時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。
完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
論文 参考訳（メタデータ） (2021-04-02T08:58:44Z) - Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
論文 参考訳（メタデータ） (2020-07-25T04:16:34Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z) - 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。