論文の概要: Clustering Time Series Data with Gaussian Mixture Embeddings in a Graph Autoencoder Framework

• arxiv url: http://arxiv.org/abs/2411.16972v1
• Date: Mon, 25 Nov 2024 22:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:36:22.247328
• Title: Clustering Time Series Data with Gaussian Mixture Embeddings in a Graph Autoencoder Framework
• Title（参考訳）: グラフオートエンコーダフレームワークにおけるガウス混合埋め込みによる時系列データのクラスタリング
• Authors: Amirabbas Afzali, Hesam Hosseini, Mohmmadamin Mirzai, Arash Amini,
• Abstract要約: 時系列データ分析は、金融、医療、環境モニタリングなど、さまざまな領域で普及している。 伝統的な時系列クラスタリング手法は、そのようなデータに固有の複雑な時間的依存関係を捉えるのに苦労することが多い。 時系列クラスタリングのためのグラフベースのアプローチである変分混合グラフオートエンコーダ(VMGAE)を提案する。
• 参考スコア（独自算出の注目度）: 10.33711719777708
• License:
• Abstract: Time series data analysis is prevalent across various domains, including finance, healthcare, and environmental monitoring. Traditional time series clustering methods often struggle to capture the complex temporal dependencies inherent in such data. In this paper, we propose the Variational Mixture Graph Autoencoder (VMGAE), a graph-based approach for time series clustering that leverages the structural advantages of graphs to capture enriched data relationships and produces Gaussian mixture embeddings for improved separability. Comparisons with baseline methods are included with experimental results, demonstrating that our method significantly outperforms state-of-the-art time-series clustering techniques. We further validate our method on real-world financial data, highlighting its practical applications in finance. By uncovering community structures in stock markets, our method provides deeper insights into stock relationships, benefiting market prediction, portfolio optimization, and risk management.
• Abstract（参考訳）: 時系列データ分析は、金融、医療、環境モニタリングなど、さまざまな領域で普及している。 伝統的な時系列クラスタリング手法は、そのようなデータに固有の複雑な時間的依存関係を捉えるのに苦労することが多い。 本稿では,グラフを用いた時系列クラスタリング手法である変分混合グラフオートエンコーダ(VMGAE)を提案する。 ベースライン法との比較は実験結果に含まれており,本手法が最先端の時系列クラスタリング技術より優れていることを示す。 我々は、実世界の金融データに対して、我々の手法をさらに検証し、その金融における実践的応用を強調した。 株式市場におけるコミュニティ構造を明らかにすることで,株式関係,市場予測,ポートフォリオ最適化,リスク管理に対する深い洞察を提供する。

関連論文リスト

• MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning [2.879827542529434]
  我々はMTRGL(Multi-modal Temporal Relation Graph Learning)という新しいフレームワークを導入する。 MTRGLは時系列データと離散的な特徴を時間グラフに結合し、メモリベースの時間グラフニューラルネットワークを使用する。 実世界のデータセットを用いた実験により,MTRGLの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-01-25T14:21:14Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Algorithms for Learning Graphs in Financial Markets [5.735035463793008]
  ラプラシアン構造制約下での無向グラフィカルモデル学習の基本問題について検討する。 我々は,ラプラシアン行列を金融資産の精密行列のモデルとして用いるための実証的証拠によって裏付けられた自然な正当化を提案する。 我々は,非方向重み付きグラフを学習するための乗算器の交互方向法に基づく数値アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-12-31T02:48:35Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。