Fugu-MT 論文翻訳(概要): TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights

論文の概要: TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights

arxiv url: http://arxiv.org/abs/2405.06234v1
Date: Fri, 10 May 2024 04:00:50 GMT
ステータス: 処理完了
システム内更新日: 2024-05-13 16:37:41.772849
Title: TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights
Title（参考訳）: TS3IM:画像類似性評価指標による時系列構造類似性の解明
Authors: Yuhan Liu, Ke Tu,
Abstract要約: 本稿では,TS3IM(Structured similarity Index Measure for Time Series)を紹介する。 TS3IMは画像解析における構造類似度指標(Structuor similarity Index Measure, SSIM)の成功に触発された。実験の結果, TS3IMは動的時間ワープ(DTW)の1.87倍の精度を示し, 対角認識では50%以上改善した。
参考スコア（独自算出の注目度）: 17.036869735103835
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the realm of time series analysis, accurately measuring similarity is crucial for applications such as forecasting, anomaly detection, and clustering. However, existing metrics often fail to capture the complex, multidimensional nature of time series data, limiting their effectiveness and application. This paper introduces the Structured Similarity Index Measure for Time Series (TS3IM), a novel approach inspired by the success of the Structural Similarity Index Measure (SSIM) in image analysis, tailored to address these limitations by assessing structural similarity in time series. TS3IM evaluates multiple dimensions of similarity-trend, variability, and structural integrity-offering a more nuanced and comprehensive measure. This metric represents a significant leap forward, providing a robust tool for analyzing temporal data and offering more accurate and comprehensive sequence analysis and decision support in fields such as monitoring power consumption, analyzing traffic flow, and adversarial recognition. Our extensive experimental results also show that compared with traditional methods that rely heavily on computational correlation, TS3IM is 1.87 times more similar to Dynamic Time Warping (DTW) in evaluation results and improves by more than 50% in adversarial recognition.
Abstract（参考訳）: 時系列解析の分野では、予測、異常検出、クラスタリングといったアプリケーションには、正確な類似性の測定が不可欠である。しかし、既存のメトリクスは、しばしば時系列データの複雑な多次元的な性質を捉えず、その効果と応用を制限する。本稿では,構造類似度指標尺度(TS3IM, Structured similarity Index Measure for Time Series, SSIM, Structured similarity Index Measure for Time Series)を紹介する。 TS3IMは、類似性トレンド、可変性、構造的整合性といった複数の次元を評価する。このメトリクスは、時間的データを解析し、より正確で包括的なシーケンス分析と、電力消費のモニタリング、トラフィックフローの分析、敵認識などの分野における決定支援を提供する、堅牢なツールを提供する。また,計算相関に強く依存する従来の手法と比較して,TS3IMは評価結果のDTW(Dynamic Time Warping)の1.87倍の精度で,対角認識の50%以上向上することを示した。

関連論文リスト

Advancing multivariate time series similarity assessment: an integrated computational approach [0.0]
多変量時系列データの類似性を評価するための統合計算手法を提案する。 MTASAは時系列アライメントを最適化するために設計され、マルチプロセッシングエンジンによって補完される。 MTASAは既存の最先端統合フレームワークに比べて約1.5倍の精度と2倍の速度を実現している。
論文参考訳（メタデータ） (2024-03-16T23:52:25Z)
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)
Introducing the Attribution Stability Indicator: a Measure for Time Series XAI Attributions [9.734940058811707]
本稿では,時系列の属性安定度を考慮に入れた属性安定度指標(ASI)を提案する。本研究では,次元再現空間における属性の分析と,3つの時系列分類データセット上でのASIスコア分布に基づいて,所望の特性を実証する。
論文参考訳（メタデータ） (2023-10-06T11:48:26Z)
Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots [75.20174445166997]
本研究では,2つの金融時系列の動的同期の将来の状態を予測する新しい手法を提案する。我々は,同期状態の予測を方法論的に扱うためのディープラーニングフレームワークを採用する。 2つの時系列の同期状態を予測するタスクは、一般的には難しいが、ある種の在庫は、非常に良好な性能で達成できる。
論文参考訳（メタデータ） (2022-10-26T10:22:28Z)
Task-aware Similarity Learning for Event-triggered Time Series [25.101509208153804]
本研究の目的は,未ラベルのイベントトリガー時系列間のタスク認識類似性を学習可能な教師なし学習フレームワークを開発することである。提案するフレームワークは,さまざまなイベントトリガー時系列の類似性をモデル化し,学習するための体系的なアプローチを実現するための,ステップストーンの提供を目指している。
論文参考訳（メタデータ） (2022-07-17T12:54:10Z)
Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文参考訳（メタデータ） (2022-04-25T19:06:48Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
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)
Free congruence: an exploration of expanded similarity measures for time series data [0.0]
時系列の類似度測定は、機械学習モデルのトレーニング、分類、予測モデリングなど、さまざまな新興アプリケーションで非常に関係がある。時系列の標準類似度尺度は、しばしばユークリッド距離や動的時間ゆがみを含む点対点距離尺度を含む。
論文参考訳（メタデータ） (2021-01-17T23:34:55Z)
Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2020-09-04T07:46:19Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。