Fugu-MT 論文翻訳(概要): Generating Synthetic Time Series Data for Cyber-Physical Systems

論文の概要: Generating Synthetic Time Series Data for Cyber-Physical Systems

arxiv url: http://arxiv.org/abs/2404.08601v1
Date: Fri, 12 Apr 2024 16:55:08 GMT
ステータス: 処理完了
システム内更新日: 2024-04-15 14:27:45.312248
Title: Generating Synthetic Time Series Data for Cyber-Physical Systems
Title（参考訳）: サイバー物理システムのための合成時系列データの生成
Authors: Alexander Sommers, Somayeh Bakhtiari Ramezani, Logan Cummins, Sudip Mittal, Shahram Rahimi, Maria Seale, Joseph Jaboure,
Abstract要約: データ拡張は、時系列ドメインにおけるディープラーニングアプリケーションの重要なファシリテータである。文献でギャップを識別し、時系列におけるデータ拡張のためのシークエンスモデルであるトランスフォーマーのスパース探索を実証する。いくつかの成功した事前をハイブリダイズしたアーキテクチャは、強力な時間領域類似度メトリックを使用してテストされる。
参考スコア（独自算出の注目度）: 38.79667612781526
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data augmentation is an important facilitator of deep learning applications in the time series domain. A gap is identified in the literature, demonstrating sparse exploration of the transformer, the dominant sequence model, for data augmentation in time series. A architecture hybridizing several successful priors is put forth and tested using a powerful time domain similarity metric. Results suggest the challenge of this domain, and several valuable directions for future work.
Abstract（参考訳）: データ拡張は、時系列ドメインにおけるディープラーニングアプリケーションの重要なファシリテータである。文献でギャップを識別し、時系列におけるデータ拡張のためのシークエンスモデルであるトランスフォーマーのスパース探索を実証する。いくつかの成功した事前をハイブリダイズしたアーキテクチャは、強力な時間領域類似度メトリックを使用してテストされる。結果は、この領域の課題と、将来の作業に有用ないくつかの方向を示唆している。

関連論文リスト

Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文参考訳（メタデータ） (2024-02-04T06:55:55Z)
Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文参考訳（メタデータ） (2023-10-08T08:09:51Z)
TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。 TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
論文参考訳（メタデータ） (2023-10-08T00:02:25Z)
FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文参考訳（メタデータ） (2023-02-20T07:46:14Z)
Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
本稿では,Ti-MAEという新しいフレームワークを提案する。 Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
論文参考訳（メタデータ） (2023-01-21T03:20:23Z)
Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
論文参考訳（メタデータ） (2021-06-17T08:15:04Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文参考訳（メタデータ） (2020-10-01T17:38:40Z)
Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case [2.997238772148965]
時系列データは、多くの科学と工学の分野で広く使われている。本稿では,トランスフォーマーに基づく機械学習モデルを用いた時系列予測の新しい手法を提案する。提案手法により得られた予測結果は,最先端技術と良好に比較できることを示す。
論文参考訳（メタデータ） (2020-01-23T00:22:22Z)

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。