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 [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) - 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) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Feature Programming for Multivariate Time Series Prediction [7.0220697993232]
本稿では,時系列モデリングのためのプログラム可能な機能工学の概念を紹介する。
本稿では,ノイズの多い時系列に対して大量の予測機能を生成する機能プログラミングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-09T20:46:55Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - DCSF: Deep Convolutional Set Functions for Classification of
Asynchronous Time Series [5.339109578928972]
非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。
本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。
我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
論文 参考訳（メタデータ） (2022-08-24T08:47:36Z) - 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) - Unsupervised Representation Learning for Time Series with Temporal
Neighborhood Coding [8.45908939323268]
非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。
我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
論文 参考訳（メタデータ） (2021-06-01T19:53:24Z) - 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)
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。