論文の概要: Conditional Deep Canonical Time Warping

• arxiv url: http://arxiv.org/abs/2412.18234v1
• Date: Tue, 24 Dec 2024 07:35:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 19:23:17.70563
• Title: Conditional Deep Canonical Time Warping
• Title（参考訳）: コンディショナル・ディープ・カノニカル・タイム・ワープ
• Authors: Afek Steinberg, Ran Eisenberg, Ofir Lindenbaum,
• Abstract要約: シーケンスの時間的アライメントは、コンピュータビジョンやバイオインフォマティクスなど、多くのアプリケーションにおいて基本的な課題である。 CDCTW(Deep Canonical Temporal Time Warping)は、これらの課題に対処するために、スパース時間データの時間的アライメントを設計する。 本研究は,CDCTWの有効性を各種データセットの広範な実験により検証し,従来の手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.523385345486362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal alignment of sequences is a fundamental challenge in many applications, such as computer vision and bioinformatics, where local time shifting needs to be accounted for. Misalignment can lead to poor model generalization, especially in high-dimensional sequences. Existing methods often struggle with optimization when dealing with high-dimensional sparse data, falling into poor alignments. Feature selection is frequently used to enhance model performance for sparse data. However, a fixed set of selected features would not generally work for dynamically changing sequences and would need to be modified based on the state of the sequence. Therefore, modifying the selected feature based on contextual input would result in better alignment. Our suggested method, Conditional Deep Canonical Temporal Time Warping (CDCTW), is designed for temporal alignment in sparse temporal data to address these challenges. CDCTW enhances alignment accuracy for high dimensional time-dependent views be performing dynamic time warping on data embedded in maximally correlated subspace which handles sparsity with novel feature selection method. We validate the effectiveness of CDCTW through extensive experiments on various datasets, demonstrating superior performance over previous techniques.
• Abstract（参考訳）: シーケンスの時間的アライメントは、コンピュータビジョンやバイオインフォマティクスといった多くのアプリケーションにおいて、局所的な時間シフトを考慮しなければならない基本的な課題である。 ミスアライメントは、特に高次元列において、モデル一般化の貧弱につながる可能性がある。 既存の手法は、高次元のスパースデータを扱う際に最適化に苦労することが多く、アライメントが悪い。 特徴選択はスパースデータのモデル性能を高めるために頻繁に使用される。 しかし、選択された機能の固定セットは、一般に動的にシーケンスを変更するために機能せず、シーケンスの状態に基づいて修正される必要がある。 そのため、コンテキスト入力に基づいて選択した機能を変更することで、アライメントが向上する。 提案手法であるCDCTW(Conditional Deep Canonical Temporal Time Warping)は,これらの課題に対処するために,スパース時間データの時間的アライメントを設計する。 CDCTWは高次元時間依存ビューのアライメント精度を高め、新しい特徴選択法で空間幅を扱う最大相関部分空間に埋め込まれたデータに対して動的時間ワープを行う。 本研究は,CDCTWの有効性を各種データセットの広範な実験により検証し,従来の手法よりも優れた性能を示す。

関連論文リスト

• PSDNorm: Test-Time Temporal Normalization for Deep Learning on EEG Signals [63.05435596565677]
  PSDNormは、Mongeマッピングと時間コンテキストを活用して、ディープラーニングモデルでフィーチャーマップを正規化するレイヤである。 PSDNormは、トレーニング中に見えないデータセットのテスト時間における最先端のパフォーマンスを達成する。 PSDNormはロバスト性を大幅に改善し、20%の難題でF1スコアを著しく高めている。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting [14.038703353884033]
  時間情報を符号化する連続線形関数を学習するCTLPEを提案する。 CTLPEは、様々な不規則にサンプリングされた時系列データセットで既存の技術より優れている。
  論文  参考訳（メタデータ） (2024-09-30T08:46:18Z)
• tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
  進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。 シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T15:10:55Z)
• 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)
• Extended Deep Adaptive Input Normalization for Preprocessing Time Series Data for Neural Networks [0.0]
  本研究では,与えられたタスクに対する不規則な時系列データをエンドツーエンドで適切に正規化する方法を学習する新しい適応型ニューラルネットワーク層であるEDAIN層を提案する。 筆者らは, 合成データ, 信用デフォルト予測データセット, 大規模リミットオーダーブックベンチマークデータセットを用いて, EDAIN層の優れた性能を実証した。
  論文  参考訳（メタデータ） (2023-10-23T08:56:01Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• DBA: Efficient Transformer with Dynamic Bilinear Low-Rank Attention [53.02648818164273]
  動的双線形低ランク注意(DBA)という,効率的かつ効果的な注意機構を提案する。 DBAは入力感度の動的射影行列によってシーケンス長を圧縮し、線形時間と空間の複雑さを実現する。 様々なシーケンス長条件のタスクに対する実験は、DBAが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T03:06:36Z)
• Event-Triggered Time-Varying Bayesian Optimization [47.30677525394649]
  目的関数の変化を検知し、データセットをリセットするまで、最適化問題を静的に扱うイベントトリガー付きアルゴリズムを提案する。 これにより、アルゴリズムは正確な事前知識を必要とせずに、オンラインで時間変化を実現することができる。 時間的変化を正確に知ることなく、適応リセットの残差を導出し、ET-GP-UCBが合成データと実世界のデータの両方で最先端のアルゴリズムより優れていることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2022-08-23T07:50:52Z)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction [9.449017120452675]
  時系列データ(英: time series)とは、時系列データの一種で、時系列で記録された観測の集合である。 既存のディープラーニング技術では、時系列解析にジェネリックシーケンスモデルを使用しており、そのユニークな性質を無視している。 本稿では,新しいニューラルネットワークアーキテクチャを提案し,時系列予測問題に適用し,時間的モデリングのための複数の解像度でサンプル畳み込みと相互作用を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:15:04Z)
• Automatic Registration and Clustering of Time Series [7.822816087275812]
  本稿では,クラスタリング問題における時系列自動アライメント手法を提案する。 我々の手法であるTROUT(Optimal Unitary Transformations)を用いた時間的登録は,時系列間の新たな相同性尺度に基づいている。 最適化の定式化に新しい尺度を組み込むことで、計算と統計のパフォーマンスの既知の利点を保ちます。
  論文  参考訳（メタデータ） (2020-12-08T21:51:21Z)

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。