論文の概要: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series?

• arxiv url: http://arxiv.org/abs/2410.10041v1
• Date: Sun, 13 Oct 2024 23:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 03:33:49.621475
• Title: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series?
• Title（参考訳）: Kanは時系列における概念ドリフトの同定と追跡に有効か?
• Authors: Kunpeng Xu, Lifei Chen, Shengrui Wang,
• Abstract要約: 本稿では,KAN(Kolmogorov-Arnold Networks)を時系列に紹介する。 WormKAN は Kan ベースの自動エンコーダで,共進化型時系列のコンセプトドリフトに対処する。 実験の結果, カンモデルとカンモデル(WormKAN)は, 時系列を意味のある概念に分割できることがわかった。
• 参考スコア（独自算出の注目度）: 6.4314326272535896
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic concepts in time series are crucial for understanding complex systems such as financial markets, healthcare, and online activity logs. These concepts help reveal structures and behaviors in sequential data for better decision-making and forecasting. Existing models struggle with detecting and tracking concept drift due to limitations in interpretability and adaptability. This paper introduces Kolmogorov-Arnold Networks (KAN) into time series and proposes WormKAN, a KAN-based auto-encoder to address concept drift in co-evolving time series. WormKAN integrates the KAN-SR module, in which the encoder, decoder, and self-representation layer are built on KAN, along with a temporal constraint to capture concept transitions. These transitions, akin to passing through a "wormhole", are identified by abrupt changes in the latent space. Experiments show that KAN and KAN-based models (WormKAN) effectively segment time series into meaningful concepts, enhancing the identification and tracking of concept drifts.
• Abstract（参考訳）: 時系列における動的な概念は、金融市場、医療、オンライン活動ログといった複雑なシステムを理解するために不可欠である。 これらの概念は、より優れた意思決定と予測のために、シーケンシャルなデータの構造と振舞いを明らかにするのに役立つ。 既存のモデルでは、解釈可能性と適応性に制限があるため、コンセプトドリフトの検出と追跡に苦労している。 本稿では,KAN(Kolmogorov-Arnold Networks)を時系列に導入し,共進化時系列における概念ドリフトに対応する自動エンコーダであるWormKANを提案する。 WormKANは、エンコーダ、デコーダ、自己表現層をkan上に構築するkan-SRモジュールと、概念遷移をキャプチャするための時間的制約を統合する。 これらの遷移は「ワームホール」を通過するのに似ているが、潜伏空間の急激な変化によって同定される。 実験の結果, カンモデルとカンモデル (WormKAN) は, 時系列を意味のある概念に分割し, 概念ドリフトの識別と追跡を強化した。

関連論文リスト

• How to Continually Adapt Text-to-Image Diffusion Models for Flexible Customization? [91.49559116493414]
  本稿では,CIDM(Concept-Incremental Text-to-image Diffusion Model)を提案する。 破滅的な忘れと概念の無視を解決し、新しいカスタマイズタスクを概念的な方法で学習する。 実験により、CIDMが既存のカスタム拡散モデルを上回ることが確認された。
  論文  参考訳（メタデータ） (2024-10-23T06:47:29Z)
• Wormhole: Concept-Aware Deep Representation Learning for Co-Evolving Sequences [6.4314326272535896]
  本稿では,概念を意識した新しい深層表現学習フレームワークであるWormholeを紹介する。 概念遷移は、潜伏空間の急激な変化を特定し、新しい行動への移行を示すことによって検出される。 この新しいメカニズムは、共進化配列の概念を正確に識別し、これらのワームホールの正確な位置を特定できる。
  論文  参考訳（メタデータ） (2024-09-20T19:11:39Z)
• ECATS: Explainable-by-design concept-based anomaly detection for time series [0.5956301166481089]
  本稿では,概念をSTL(Signal Temporal Logic)公式として表現する概念に基づくニューロシンボリックアーキテクチャであるECATSを提案する。 我々は,局所的な解釈可能性を確保しつつ,優れた分類性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-17T08:12:53Z)
• A Remark on Concept Drift for Dependent Data [7.0072935721154614]
  時間的依存関係がサンプリングプロセスに強く影響していることを示す。 特に、この設定には定常性の概念が適さないことを示し、代替案について議論する。
  論文  参考訳（メタデータ） (2023-12-15T21:11:46Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Modeling Temporal Concept Receptive Field Dynamically for Untrimmed Video Analysis [105.06166692486674]
  本稿では,概念に基づくイベント表現の時間的概念受容分野について考察する。 時間的動的畳み込み(TDC)を導入し、概念に基づくイベント分析をより柔軟にする。 異なる係数は、入力ビデオに応じて適切な時間的概念受容フィールドサイズを生成することができる。
  論文  参考訳（メタデータ） (2021-11-23T04:59:48Z)
• Learning Parameter Distributions to Detect Concept Drift in Data Streams [13.20231558027132]
  実コンセプトドリフト検出のための新しいフレームワークであるERICSを提案する。 予測モデルのパラメータをランダム変数として扱うことにより、最適パラメータの分布の変化に対応する概念ドリフトが示される。 ERICSはまた、既存のアプローチよりも大きな利点である入力レベルで概念ドリフトを検出することができる。
  論文  参考訳（メタデータ） (2020-10-19T11:19:16Z)
• A Prospective Study on Sequence-Driven Temporal Sampling and Ego-Motion Compensation for Action Recognition in the EPIC-Kitchens Dataset [68.8204255655161]
  行動認識はコンピュータビジョンにおける最上位の研究分野の一つである。 エゴモーション記録シーケンスは重要な関連性を持つようになった。 提案手法は,このエゴモーションやカメラの動きを推定して対処することを目的としている。
  論文  参考訳（メタデータ） (2020-08-26T14:44:45Z)
• Counterfactual Explanations of Concept Drift [11.53362411363005]
  概念ドリフトとは、観測データの背後にある分布が時間とともに変化する現象を指す。 本稿では,典型的な例で表現される空間的特徴の特徴的変化の観点から,概念の漂流を特徴付ける新しい技術を提案する。
  論文  参考訳（メタデータ） (2020-06-23T08:27:57Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Dynamic Inference: A New Approach Toward Efficient Video Action Recognition [69.9658249941149]
  ビデオにおけるアクション認識は近年大きな成功を収めているが、膨大な計算コストのために依然として難しい課題である。 本稿では,異なるビデオの識別可能性の変動を利用して,推論効率を向上させるための一般的な動的推論手法を提案する。
  論文  参考訳（メタデータ） (2020-02-09T11:09:56Z)

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。