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

• arxiv url: http://arxiv.org/abs/2410.10041v2
• Date: Fri, 13 Dec 2024 00:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:37:48.642547
• Title: WormKAN: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series?
• Title（参考訳）: WormKan:kanは時系列における概念ドリフトの特定と追跡に有効か?
• Authors: Kunpeng Xu, Lifei Chen, Shengrui Wang,
• Abstract要約: WormKANはコンセプトを意識したkanベースのモデルで、共同進化する時系列のコンセプトドリフトに対処する。 WormKANはPatch Normalization、Temporal Representation Module、Concept Dynamicsの3つの重要なコンポーネントで構成されている。
• 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. However, existing models often struggle to detect and track concept drift due to limitations in interpretability and adaptability. To address this challenge, inspired by the flexibility of the recent Kolmogorov-Arnold Network (KAN), we propose WormKAN, a concept-aware KAN-based model to address concept drift in co-evolving time series. WormKAN consists of three key components: Patch Normalization, Temporal Representation Module, and Concept Dynamics. Patch normalization processes co-evolving time series into patches, treating them as fundamental modeling units to capture local dependencies while ensuring consistent scaling. The temporal representation module learns robust latent representations by leveraging a KAN-based autoencoder, complemented by a smoothness constraint, to uncover inter-patch correlations. Concept dynamics identifies and tracks dynamic transitions, revealing structural shifts in the time series through concept identification and drift detection. These transitions, akin to passing through a \textit{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 drift.
• 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。 しかし、既存のモデルは解釈可能性と適応性に制限があるため、概念の漂流を検出し、追跡するのに苦労することが多い。 この課題に対処するために、最近のKAN(Kolmogorov-Arnold Network)の柔軟性に着想を得たWormKANを提案する。 WormKANはPatch Normalization、Temporal Representation Module、Concept Dynamicsの3つの重要なコンポーネントで構成されている。 パッチ正規化プロセスは、時系列をパッチに発展させ、それらを基本的なモデリング単位として扱い、局所的な依存関係をキャプチャし、一貫性のあるスケーリングを保証する。 時間表現モジュールは、スムーズな制約で補完されるkanベースのオートエンコーダを利用して、堅牢な潜在表現を学習し、パッチ間の相関を明らかにする。 概念力学は動的遷移を特定し、追跡し、概念同定とドリフト検出を通じて時系列の構造変化を明らかにする。 これらの遷移は \textit{wormhole} を通るのと同様に、潜伏空間の急激な変化によって識別される。 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事実上分割し, 概念ドリフトの識別と追跡を強化することがわかった。

関連論文リスト

• Unify and Anchor: A Context-Aware Transformer for Cross-Domain Time Series Forecasting [26.59526791215]
  ドメイン間の時系列予測において,時間的パターンの複雑さと意味的ミスアライメントの2つの重要な課題を識別する。 本稿では,周波数成分を統一的な視点でアンタングルする"Unify and Anchor"転送パラダイムを提案する。 本稿では,構造化表現に時系列コーディネータを用いたTransformerベースのモデルであるContexTSTを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T04:11:14Z)
• Community-Aware Temporal Walks: Parameter-Free Representation Learning on Continuous-Time Dynamic Graphs [3.833708891059351]
  Community-Aware Temporal Walks (CTWalks)は、連続時間動的グラフ上での表現学習のための新しいフレームワークである。 CTWalksは、コミュニティベースのパラメータフリー時間ウォークサンプリング機構、コミュニティラベルに富んだ匿名化戦略、エンコーディングプロセスを統合する。 ベンチマークデータセットの実験では、CTWalksは時間リンク予測タスクにおいて確立された手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-21T04:16:46Z)
• CORAL: Concept Drift Representation Learning for Co-evolving Time-series [6.4314326272535896]
  概念ドリフトは従来の分析モデルの信頼性と精度に影響を与える。 本稿では,時系列を進化するエコシステムとしてモデル化し,概念ドリフトの表現を学習する手法であるCoRALを提案する。
  論文  参考訳（メタデータ） (2025-01-02T15:09:00Z)
• 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)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• 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)
• A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
  本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。 実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-02-21T03:51:52Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• 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)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。