論文の概要: Discovering Leitmotifs in Multidimensional Time Series

• arxiv url: http://arxiv.org/abs/2410.12293v1
• Date: Wed, 16 Oct 2024 06:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:41:44.082871
• Title: Discovering Leitmotifs in Multidimensional Time Series
• Title（参考訳）: 多次元時系列におけるライトモチーフの発見
• Authors: Patrick Schäfer, Ulf Leser,
• Abstract要約: 本稿では,MDTSのための新しい,効率的かつ高効率なリートモチーフ探索アルゴリズムLAMAを提案する。 LAMAは2つの中核主成分に依存している: (a) リートモチーフは、まだ未知の数のサブディメンジョンしか与えられていない ― 少なすぎる、あるいは多すぎる、そして (b) サブディメンジョンの集合は、見つかった最良のパターンから独立していない。
• 参考スコア（独自算出の注目度）: 3.6463708995502273
• License:
• Abstract: A leitmotif is a recurring theme in literature, movies or music that carries symbolic significance for the piece it is contained in. When this piece can be represented as a multi-dimensional time series (MDTS), such as acoustic or visual observations, finding a leitmotif is equivalent to the pattern discovery problem, which is an unsupervised and complex problem in time series analytics. Compared to the univariate case, it carries additional complexity because patterns typically do not occur in all dimensions but only in a few - which are, however, unknown and must be detected by the method itself. In this paper, we present the novel, efficient and highly effective leitmotif discovery algorithm LAMA for MDTS. LAMA rests on two core principals: (a) a leitmotif manifests solely given a yet unknown number of sub-dimensions - neither too few, nor too many, and (b) the set of sub-dimensions are not independent from the best pattern found therein, necessitating both problems to be approached in a joint manner. In contrast to most previous methods, LAMA tackles both problems jointly - instead of independently selecting dimensions (or leitmotifs) and finding the best leitmotifs (or dimensions). Our experimental evaluation on a novel ground-truth annotated benchmark of 14 distinct real-life data sets shows that LAMA, when compared to four state-of-the-art baselines, shows superior performance in detecting meaningful patterns without increased computational complexity.
• Abstract（参考訳）: ライトモチーフ(英: leitmotif)は、文学、映画、音楽において、その作品に象徴的な意味を持つ主題である。 この作品が音響や視覚観測などの多次元時系列(MDTS)として表現できる場合、レイトモチーフを見つけることは、時系列分析において教師なしで複雑な問題であるパターン発見問題と同値である。 単変量の場合と比較して、パターンは通常すべての次元で発生するのではなく、少数の - しかし、未知であり、メソッド自体によって検出されなければならない - でのみ発生するため、さらなる複雑さが伴う。 本稿では,MDTSのための新しい,効率的かつ高効率なリートモチーフ探索アルゴリズムLAMAを提案する。 LAMAは2つのコアプリンシパルに依存します。 (a)リートモチーフは、まだ未知の数のサブディメンジョンを単に与えているだけであり、多すぎる、多すぎる、そして多すぎる b) サブ次元の集合は、そこで見つかる最良のパターンとは独立せず、両問題を共同的にアプローチする必要がある。 従来の方法とは対照的に、LAMAは2つの問題に共同で取り組み、次元(またはリートモチーフ)を独立に選び、最良のリートモチーフ(または次元)を見つける。 そこで,本研究では,14個の異なる実生活データセットの接頭辞付きベンチマークによる実験結果から,LAMAが4つの最先端ベースラインと比較すると,計算複雑性を増大させることなく有意なパターンを検出するのに優れた性能を示した。

関連論文リスト

• See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
  時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。 本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
  論文  参考訳（メタデータ） (2024-11-04T10:28:41Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• 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)
• LoCoMotif: Discovering time-warped motifs in time series [7.265353600305124]
  時系列モチーフディスカバリ(英: Time Series Motif Discovery、TSMD)とは、時系列で何回も発生するパターンを識別するタスクである。 既存のTSMDの手法には以下の制限がある。 制限のないLoCoMotifという新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-11-29T12:18:46Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Motiflets -- Simple and Accurate Detection of Motifs in Time Series [3.6463708995502273]
  時系列のモチーフは直感的に、より大きな時系列の中でほぼ同じことを繰り返す短い時系列である。 モチーフ発見(MD)は、与えられた入力系列においてそのようなモチーフを見つけるタスクである。 そこで我々は,k-Motifletの正確な近似アルゴリズムを提案し,その複雑性を解析する。
  論文  参考訳（メタデータ） (2022-06-08T08:22:28Z)
• Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
  そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。 MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
  論文  参考訳（メタデータ） (2022-04-18T04:34:15Z)
• When Hearst Is not Enough: Improving Hypernymy Detection from Corpus with Distributional Models [59.46552488974247]
  本稿では,大きなテキストコーパスの助けを借りて,単語 (x, y) 間のis-a関係が存在するかどうかを論じる。 近年の研究では、大規模なハーストペアを抽出して給餌し、目に見えない(x, y)ペアの親和性が緩和された場合、パターンベースのペアの方が優れていることが示唆されている。 本稿では,これらの特定の事例の非無視的存在を初めて定量化し,その場合の分布法がパターンベースの事例を補うのに最適であることを示す。
  論文  参考訳（メタデータ） (2020-10-10T08:34:19Z)
• 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)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。