論文の概要: Heterogeneous Relationships of Subjects and Shapelets for Semi-supervised Multivariate Series Classification

• arxiv url: http://arxiv.org/abs/2411.18043v1
• Date: Wed, 27 Nov 2024 04:25:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:28:04.242726
• Title: Heterogeneous Relationships of Subjects and Shapelets for Semi-supervised Multivariate Series Classification
• Title（参考訳）: 半教師付き多変量系列分類における対象と形状の異種関係
• Authors: Mingsen Du, Meng Chen, Yongjian Li, Cun Ji, Shoushui Wei,
• Abstract要約: 半教師付きMSS分類のための被験者の異種関係とシェープレット法を提案する。 まず、コントラスト時間自己アテンションモジュールを用いて、スパースMSS表現を得る。 第2に, 被験者の特徴と形状の両方を付加情報として取り入れ, 異なる被験者の形状を学習する。 最後に,2レベルグラフアテンションネットワークを用いて予測を行う。
• 参考スコア（独自算出の注目度）: 4.4881185098082
• License:
• Abstract: Multivariate time series (MTS) classification is widely applied in fields such as industry, healthcare, and finance, aiming to extract key features from complex time series data for accurate decision-making and prediction. However, existing methods for MTS often struggle due to the challenges of effectively modeling high-dimensional data and the lack of labeled data, resulting in poor classification performance. To address this issue, we propose a heterogeneous relationships of subjects and shapelets method for semi-supervised MTS classification. This method offers a novel perspective by integrating various types of additional information while capturing the relationships between them. Specifically, we first utilize a contrast temporal self-attention module to obtain sparse MTS representations, and then model the similarities between these representations using soft dynamic time warping to construct a similarity graph. Secondly, we learn the shapelets for different subject types, incorporating both the subject features and their shapelets as additional information to further refine the similarity graph, ultimately generating a heterogeneous graph. Finally, we use a dual level graph attention network to get prediction. Through this method, we successfully transform dataset into a heterogeneous graph, integrating multiple additional information and achieving precise semi-supervised node classification. Experiments on the Human Activity Recognition, sleep stage classification and University of East Anglia datasets demonstrate that our method outperforms current state-of-the-art methods in MTS classification tasks, validating its superiority.
• Abstract（参考訳）: 多変量時系列分類(MTS)は、産業、医療、金融などの分野で広く適用されており、複雑な時系列データから重要な特徴を抽出して正確な意思決定と予測を行う。 しかし、MSSの既存の手法は、高次元データを効果的にモデリングすることの難しさとラベル付きデータの欠如のためにしばしば苦労し、分類性能が劣る。 この問題に対処するために,被験者の不均一な関係と半教師付きMSS分類のためのシェープレット法を提案する。 本手法は,それらの関係を捉えつつ,様々な種類の付加情報を統合することによって,新たな視点を提供する。 具体的には、まずコントラスト時間自己アテンションモジュールを用いてスパースMSS表現を取得し、その後、ソフトダイナミック・タイム・ワープを用いてこれらの表現間の類似性をモデル化し、類似性グラフを構築する。 第二に、対象の特徴とそれらの形状の両方を付加情報として取り入れ、類似性グラフをさらに洗練し、最終的には異種グラフを生成する。 最後に,2レベルグラフアテンションネットワークを用いて予測を行う。 この手法により、データセットを不均一なグラフに変換し、複数の追加情報を統合し、高精度な半教師付きノード分類を実現する。 人間の活動認識,睡眠段階分類,東アングリア大学データセットに関する実験により,本手法がMSS分類タスクにおける最先端の手法より優れ,その優位性を検証した。

関連論文リスト

• VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
  識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。 さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。 30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-21T07:31:22Z)
• Contrast Similarity-Aware Dual-Pathway Mamba for Multivariate Time Series Node Classification [9.159556125198305]
  MTSノード分類(CS-DPMamba)のためのコントラスト類似性を考慮したデュアルパスMambaを提案する。 Fast Dynamic Time Warping (FastDTW) を用いて, MTS表現間の類似度行列を構築する。 長距離依存性と動的類似性を考慮し、正確なTSノード分類を実現した。
  論文  参考訳（メタデータ） (2024-11-19T04:32:41Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors [52.646396621449]
  G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。 学習形態の集合に親和性グラフを自己教師型で構築する。 近年の形状対応ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2022-12-06T12:09:24Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Multivariate Time Series Classification with Hierarchical Variational Graph Pooling [23.66868187446734]
  既存のディープラーニングに基づくMTSC技術は、主に単一時系列の時間依存性に関係している。 MTSの表現的グローバル表現を得るために,グラフプーリングに基づく新しいフレームワークMTPoolを提案する。 10のベンチマークデータセットの実験では、MTSCタスクでMTPoolが最先端の戦略を上回っている。
  論文  参考訳（メタデータ） (2020-10-12T12:36:47Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。