Fugu-MT 論文翻訳(概要): Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series

論文の概要: Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series

arxiv url: http://arxiv.org/abs/2409.09930v1
Date: Mon, 16 Sep 2024 02:08:33 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 16:50:37.061047
Title: Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series
Title（参考訳）: 多変量時系列における値計算の欠如に対するスパークスネットワークのマイニング
Authors: Kohei Obata, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai,
Abstract要約: MissNetは、スパースネットワークを切り替えることで、状態空間モデルと相関関係の時間依存性を利用するように設計されている。データ長を参照して線形にスケールするアルゴリズムは、代わりにネットワークを推論し、ネットワークを用いて欠落した値を埋める。
参考スコア（独自算出の注目度）: 7.872208477823466
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multivariate time series data suffer from the problem of missing values, which hinders the application of many analytical methods. To achieve the accurate imputation of these missing values, exploiting inter-correlation by employing the relationships between sequences (i.e., a network) is as important as the use of temporal dependency, since a sequence normally correlates with other sequences. Moreover, exploiting an adequate network depending on time is also necessary since the network varies over time. However, in real-world scenarios, we normally know neither the network structure nor when the network changes beforehand. Here, we propose a missing value imputation method for multivariate time series, namely MissNet, that is designed to exploit temporal dependency with a state-space model and inter-correlation by switching sparse networks. The network encodes conditional independence between features, which helps us understand the important relationships for imputation visually. Our algorithm, which scales linearly with reference to the length of the data, alternatively infers networks and fills in missing values using the networks while discovering the switching of the networks. Extensive experiments demonstrate that MissNet outperforms the state-of-the-art algorithms for multivariate time series imputation and provides interpretable results.
Abstract（参考訳）: 多変量時系列データは欠落した値の問題に悩まされ、多くの解析手法の適用を妨げる。これらの欠落した値の正確な計算を実現するために、シーケンス間の関係(すなわちネットワーク)を利用して相互相関を利用するのは、通常、シーケンスが他のシーケンスと相関しているため、時間依存性を使用するのと同じくらい重要である。また、ネットワークが時間とともに変化するため、時間に応じて適切なネットワークを利用する必要もある。しかし、現実のシナリオでは、ネットワーク構造も、ネットワークが前もっていつ変化するかも、通常は分かっていません。そこで本稿では、状態空間モデルによる時間依存性とスパースネットワークの切り替えによる相互相関を生かした多変量時系列、すなわちMissNetの欠落値計算法を提案する。このネットワークは、特徴間の条件付き独立性を符号化し、インパルスの重要な関係を視覚的に理解するのに役立つ。データ長を参照して線形にスケールするアルゴリズムでは,ネットワークを推定し,ネットワークのスイッチングを検知しながら,ネットワークを用いて欠落した値を埋める。大規模な実験により、MissNetは多変量時系列計算のための最先端のアルゴリズムより優れ、解釈可能な結果を提供することを示した。

関連論文リスト

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)
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文参考訳（メタデータ） (2023-07-17T11:04:27Z)
STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文参考訳（メタデータ） (2022-09-22T06:06:56Z)
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)
Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文参考訳（メタデータ） (2021-10-26T17:35:21Z)
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)
Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-07-31T17:47:10Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Gated Res2Net for Multivariate Time Series Analysis [8.685598820025383]
本稿では、ゲート機構とRes2Netの思考に基づくバックボーン畳み込みニューラルネットワークを提案する。 GRes2Netは最先端のメソッドよりもパフォーマンスが優れており、優位性を示している。
論文参考訳（メタデータ） (2020-09-19T01:45:41Z)
Instance Explainable Temporal Network For Multivariate Timeseries [0.0]
本稿では,推論のインスタンスごとの分類決定において重要なチャネルを識別する新しいネットワーク(IETNet)を提案する。 IETNetは、時間的特徴抽出、変数選択、共同変数の相互作用を単一の学習フレームワークに組み合わせたエンドツーエンドネットワークである。
論文参考訳（メタデータ） (2020-05-26T20:55:24Z)
Depth Enables Long-Term Memory for Recurrent Neural Networks [0.0]
本稿では,スタートエンド分離ランク(Start-End separation rank)と呼ばれる時間的情報フローを支援するネットワークの能力を評価する。より深い再帰的ネットワークは、浅いネットワークで支えられるものよりも高いスタートエンド分離ランクをサポートすることを証明している。
論文参考訳（メタデータ） (2020-03-23T10:29:14Z)

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。