Fugu-MT 論文翻訳(概要): Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining

論文の概要: Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining

arxiv url: http://arxiv.org/abs/2409.14327v2
Date: Tue, 8 Oct 2024 07:14:04 GMT
ステータス: 処理完了
システム内更新日: 2024-11-06 23:15:03.698378
Title: Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining
Title（参考訳）: 高度データマイニングのための多次元時系列を解釈可能なイベントシーケンスに変換する
Authors: Xu Yan, Yaoting Jiang, Wenyi Liu, Didi Yi, Jianjun Wei,
Abstract要約: 本稿では,多次元時系列解析における従来の手法の限界に対処する新しい表現モデルを提案する。提案するフレームワークは,ITインフラの監視と最適化,継続的な患者モニタリングによる診断,トレンド分析,インターネットビジネスによるユーザ行動の追跡,予測など,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。
参考スコア（独自算出の注目度）: 5.2863523790908955
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces a novel spatiotemporal feature representation model designed to address the limitations of traditional methods in multidimensional time series (MTS) analysis. The proposed approach converts MTS into one-dimensional sequences of spatially evolving events, preserving the complex coupling relationships between dimensions. By employing a variable-length tuple mining method, key spatiotemporal features are extracted, enhancing the interpretability and accuracy of time series analysis. Unlike conventional models, this unsupervised method does not rely on large training datasets, making it adaptable across different domains. Experimental results from motion sequence classification validate the model's superior performance in capturing intricate patterns within the data. The proposed framework has significant potential for applications across various fields, including backend services for monitoring and optimizing IT infrastructure, medical diagnosis through continuous patient monitoring and health trend analysis, and internet businesses for tracking user behavior and forecasting sales. This work offers a new theoretical foundation and technical support for advancing time series data mining and its practical applications in human behavior recognition and other domains.
Abstract（参考訳）: 本稿では,多次元時系列解析における従来の手法の限界に対処する新しい時空間特徴表現モデルを提案する。提案手法は,MTSを空間的に進化する事象の1次元列に変換し,次元間の複雑な結合関係を保存する。可変長タプルマイニング法を用いることで、時系列解析の解釈性と精度を高めるとともに、時空間的特徴を抽出する。従来のモデルとは異なり、この教師なしの方法は大規模なトレーニングデータセットに依存しないため、異なるドメインにまたがって適用可能である。動作シーケンス分類による実験結果は、データ内の複雑なパターンをキャプチャする際のモデルの優れた性能を評価する。提案するフレームワークは,ITインフラの監視と最適化のためのバックエンドサービス,継続的な患者モニタリングと健康動向分析による診断,ユーザ行動の追跡と売上予測のためのインターネットビジネスなど,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。この研究は、時系列データマイニングの新たな理論的基盤と技術的支援と、人間の行動認識やその他の領域における実践的応用を提供する。

関連論文リスト

TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
本研究では,時系列予測のための新しいマルチビュー手法を提案する。傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
論文参考訳（メタデータ） (2024-09-30T02:11:57Z)
Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
論文参考訳（メタデータ） (2024-08-24T16:32:58Z)
Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文参考訳（メタデータ） (2024-08-23T14:06:30Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。効果的なドメイン間時系列学習のためのUniTimeを提案する。
論文参考訳（メタデータ） (2023-10-15T06:30:22Z)
Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。本手法はシリーズの進化力学の連続時間依存モデルに依存する。メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文参考訳（メタデータ） (2023-06-09T13:20:04Z)
cs-net: structural approach to time-series forecasting for high-dimensional feature space data with limited observations [1.5533753199073637]
本研究では,高次元多変量予測タスクに優れたフレキシブルなデータ特徴抽出手法を提案する。我々のアプローチは、もともとNational Science Foundation (NSF) Algorithms for Threat Detection (ATD) 2022 Challengeのために開発された。我々のモデルは、GDELTデータセットでトレーニングされ、ATDスプリントシリーズの第1位と第2位に終わり、時系列予測のための他のデータセットを約束します。
論文参考訳（メタデータ） (2022-12-05T19:46:47Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
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)
A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。