論文の概要: Robust Learning of Noisy Time Series Collections Using Stochastic
Process Models with Motion Codes
- arxiv url: http://arxiv.org/abs/2402.14081v1
- Date: Wed, 21 Feb 2024 19:10:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 17:22:22.978491
- Title: Robust Learning of Noisy Time Series Collections Using Stochastic
Process Models with Motion Codes
- Title(参考訳): 動き符号を用いた確率過程モデルを用いた雑音時系列コレクションのロバスト学習
- Authors: Chandrajit Bajaj, Minh Nguyen
- Abstract要約: 雑音のある時系列データに対する潜在変数モデルアプローチを提案する。
我々は,最も情報性の高いタイムスタンプの概念を用いて,対応する時系列のスパース近似を推定する。
このアプローチによって、単一のノイズの多い時系列データだけでなく、多くの基盤となるプロセスでも学習することが可能になります。
- 参考スコア(独自算出の注目度): 3.6929078762384098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While time series classification and forecasting problems have been
extensively studied, the cases of noisy time series data with arbitrary time
sequence lengths have remained challenging. Each time series instance can be
thought of as a sample realization of a noisy dynamical model, which is
characterized by a continuous stochastic process. For many applications, the
data are mixed and consist of several types of noisy time series sequences
modeled by multiple stochastic processes, making the forecasting and
classification tasks even more challenging. Instead of regressing data naively
and individually to each time series type, we take a latent variable model
approach using a mixtured Gaussian processes with learned spectral kernels.
More specifically, we auto-assign each type of noisy time series data a
signature vector called its motion code. Then, conditioned on each assigned
motion code, we infer a sparse approximation of the corresponding time series
using the concept of the most informative timestamps. Our unmixing
classification approach involves maximizing the likelihood across all the mixed
noisy time series sequences of varying lengths. This stochastic approach allows
us to learn not only within a single type of noisy time series data but also
across many underlying stochastic processes, giving us a way to learn multiple
dynamical models in an integrated and robust manner. The different learned
latent stochastic models allow us to generate specific sub-type forecasting. We
provide several quantitative comparisons demonstrating the performance of our
approach.
- Abstract(参考訳): 時系列分類と予測問題は広く研究されているが、任意の時系列の長さを持つノイズの多い時系列データの場合はまだ困難である。
各時系列のインスタンスは、連続的な確率過程によって特徴づけられるノイズの動的モデルのサンプル化と考えることができる。
多くのアプリケーションにおいて、データは混合され、複数の確率過程によってモデル化されたノイズの多い時系列列からなり、予測および分類タスクはさらに困難になる。
時系列のタイプごとにデータをネイティブかつ個別にレグレッションするのではなく、学習されたスペクトルカーネルを持つ混合ガウス過程を用いた潜在変数モデルアプローチを採用する。
具体的には、各ノイズのある時系列データに対して、その動作コードと呼ばれる署名ベクトルを自動割り当てする。
そして、与えられた各動作コードに基づいて、最も有益なタイムスタンプの概念を用いて、対応する時系列のスパース近似を推測する。
我々の未混合分類アプローチは、様々な長さの混合ノイズ時系列列にまたがる確率を最大化する。
この確率的アプローチは、単一のノイズの多い時系列データだけでなく、多くの基礎となる確率的プロセスでも学習できるので、統合的で堅牢な方法で複数の動的モデルを学ぶことができる。
異なる学習された潜在確率モデルは、特定のサブタイプの予測を生成することができる。
我々は,提案手法の性能を示す定量的比較を行った。
関連論文リスト
- 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) - Fuzzy clustering of circular time series based on a new dependence
measure with applications to wind data [2.845817138242963]
時系列クラスタリングは、多くの分野のアプリケーションに欠かせない機械学習タスクである。
円列間の距離を導入し、クラスタリング手順を構築するために使用する。
ファジィアプローチが採用され、各系列を異なる会員度を持つ複数のクラスタに配置することができる。
論文 参考訳(メタデータ) (2024-01-26T12:21:57Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - Fuzzy clustering of ordinal time series based on two novel distances
with economic applications [0.12891210250935145]
順序時間列間の2つの新しい距離を導入し、ファジィクラスタリング手順を構築するために使用した。
結果のクラスタリングアルゴリズムは計算効率が良く、類似のプロセスから生成されるシリーズをグループ化することができる。
経済時系列に関する2つの具体的な応用は、提案手法の有用性を示している。
論文 参考訳(メタデータ) (2023-04-24T16:39:22Z) - 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) - A Pattern Discovery Approach to Multivariate Time Series Forecasting [27.130141538089152]
モデル複雑性は時系列の長さとともに指数関数的に増加するので、最先端のディープラーニング手法はフルタイムのモデルの構築に失敗する。
本稿では,多種多様な時系列パターンを自動的にキャプチャできる新しいパターン探索手法を提案する。
また,学習可能な相関行列を提案し,複数の時系列間の相関関係をモデル化する。
論文 参考訳(メタデータ) (2022-12-20T14:54:04Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - Synergetic Learning of Heterogeneous Temporal Sequences for
Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。
不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。
我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文 参考訳(メタデータ) (2021-01-31T11:00:55Z) - Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。
我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。
その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
論文 参考訳(メタデータ) (2021-01-25T18:57:42Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳(メタデータ) (2020-02-24T19:30:32Z)
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。