論文の概要: Quantitative Evaluation of Motif Sets in Time Series

• arxiv url: http://arxiv.org/abs/2412.09346v1
• Date: Thu, 12 Dec 2024 15:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:29:33.653852
• Title: Quantitative Evaluation of Motif Sets in Time Series
• Title（参考訳）: 時系列におけるモチーフ集合の定量的評価
• Authors: Daan Van Wesenbeeck, Aras Yurtman, Wannes Meert, Hendrik Blockeel,
• Abstract要約: 本稿では,時系列モチーフ発見手法の定量的評価のためのベンチマークであるPROMとTSMD-Benchを紹介する。 ProMは既存のメトリクスよりも包括的な評価を提供しており、TSMD-Benchは以前のメトリクスよりも難しいベンチマークである。 提案手法により,大規模かつ系統的な性能比較が可能となる。
• 参考スコア（独自算出の注目度）: 6.65064657162217
• License:
• Abstract: Time Series Motif Discovery (TSMD), which aims at finding recurring patterns in time series, is an important task in numerous application domains, and many methods for this task exist. These methods are usually evaluated qualitatively. A few metrics for quantitative evaluation, where discovered motifs are compared to some ground truth, have been proposed, but they typically make implicit assumptions that limit their applicability. This paper introduces PROM, a broadly applicable metric that overcomes those limitations, and TSMD-Bench, a benchmark for quantitative evaluation of time series motif discovery. Experiments with PROM and TSMD-Bench show that PROM provides a more comprehensive evaluation than existing metrics, that TSMD-Bench is a more challenging benchmark than earlier ones, and that the combination can help understand the relative performance of TSMD methods. More generally, the proposed approach enables large-scale, systematic performance comparisons in this field.
• Abstract（参考訳）: 時系列の繰り返しパターンを見つけることを目的とした時系列モチーフディスカバリ(TSMD)は、多くのアプリケーションドメインにおいて重要なタスクであり、このタスクのための多くのメソッドが存在する。 これらの方法は通常定性的に評価される。 発見モチーフをいくつかの基礎的真実と比較する定量的評価のためのいくつかの指標が提案されているが、それらは一般的に適用性を制限する暗黙の仮定をしている。 本稿では,これらの制限を克服する広く適用可能な測度であるProperMと,時系列モチーフ発見の定量的評価のためのベンチマークであるTSMD-Benchを紹介する。 PROM と TSMD-Bench の実験により、PROM は既存の指標よりも総合的な評価を提供し、TSMD-Bench は以前の指標よりも難しいベンチマークであり、この組み合わせは TSMD 手法の相対的な性能を理解するのに役立つことを示した。 より一般的に、提案手法はこの分野における大規模かつ体系的な性能比較を可能にする。

関連論文リスト

• Multiscale Dubuc: A New Similarity Measure for Time Series [1.024113475677323]
  マルチスケールDubuc距離測度を導入し、それがメートル法であることを証明する。 UCR時系列分類アーカイブから95のデータセットを使用して、MDDのパフォーマンスをEuD、LCSS、DTWと比較する。 我々の実験によると、MDDの全体的な成功はケース固有のカスタマイズなしで、データセットごとのウィンドウサイズを最適化したDTWに匹敵する。
  論文  参考訳（メタデータ） (2024-11-15T18:38:18Z)
• Step-by-Step Reasoning for Math Problems via Twisted Sequential Monte Carlo [55.452453947359736]
  Twisted Sequential Monte Carlo(TSMC)に基づく新しい検証手法を提案する。 TSMCを大規模言語モデルに適用し、部分解に対する将来的な報酬を推定する。 このアプローチは、ステップワイドなヒューマンアノテーションを必要としない、より直接的なトレーニングターゲットをもたらす。
  論文  参考訳（メタデータ） (2024-10-02T18:17:54Z)
• Unleash The Power of Pre-Trained Language Models for Irregularly Sampled Time Series [22.87452807636833]
  本研究は, ISTS 解析における PLM の可能性を探るものである。 本稿では、時間認識と変数認識のPLMを統合した統合PLMベースのフレームワークISTS-PLMについて述べる。
  論文  参考訳（メタデータ） (2024-08-12T14:22:14Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• How to Prune Your Language Model: Recovering Accuracy on the "Sparsity May Cry'' Benchmark [60.72725673114168]
  下流データセットの微調整中における正確なBERTプルーニングの問題を再考する。 そこで我々は,SMCベンチマークの挑戦においても,プルーニングを成功させるための一般的なガイドラインを提案する。
  論文  参考訳（メタデータ） (2023-12-21T03:11:30Z)
• 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)
• InfiMM-Eval: Complex Open-Ended Reasoning Evaluation For Multi-Modal Large Language Models [50.03163753638256]
  MLLM(Multi-modal Large Language Models)は人工知能の分野で注目されている。 本ベンチマークは, 帰納的, 帰納的, 類推的推論の3つの主要な推論カテゴリから構成される。 我々は,この厳密に開発されたオープンエンド多段階精巧な推論ベンチマークを用いて,代表MLLMの選択を評価する。
  論文  参考訳（メタデータ） (2023-11-20T07:06:31Z)
• TRAM: Benchmarking Temporal Reasoning for Large Language Models [12.112914393948415]
  10個のデータセットからなる時間的推論ベンチマークであるTRAMを紹介する。 GPT-4やLlama2のような一般的な言語モデルをゼロショットや少数ショットのシナリオで評価する。 以上の結果から,最も優れたモデルラグは人的パフォーマンスに大きく遅れていることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T00:59:07Z)
• Fuzzy clustering of ordinal time series based on two novel distances with economic applications [0.12891210250935145]
  順序時間列間の2つの新しい距離を導入し、ファジィクラスタリング手順を構築するために使用した。 結果のクラスタリングアルゴリズムは計算効率が良く、類似のプロセスから生成されるシリーズをグループ化することができる。 経済時系列に関する2つの具体的な応用は、提案手法の有用性を示している。
  論文  参考訳（メタデータ） (2023-04-24T16:39:22Z)
• TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
  本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。 また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。 実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T17:49:47Z)
• Learning Robust State Abstractions for Hidden-Parameter Block MDPs [55.31018404591743]
  我々は、ブロックMDPにインスパイアされた堅牢な状態抽象化を実現するために、HiP-MDP設定からの共通構造の概念を活用する。 マルチタスク強化学習 (MTRL) とメタ強化学習 (Meta-RL) の両方のための新しいフレームワークのインスタンス化を導出する。
  論文  参考訳（メタデータ） (2020-07-14T17:25:27Z)

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。