論文の概要: Bridging the Gap: A Decade Review of Time-Series Clustering Methods

• arxiv url: http://arxiv.org/abs/2412.20582v1
• Date: Sun, 29 Dec 2024 21:04:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:01:55.369628
• Title: Bridging the Gap: A Decade Review of Time-Series Clustering Methods
• Title（参考訳）: Bridging the Gap: 時系列クラスタリング手法の10年を振り返る
• Authors: John Paparrizos, Fan Yang, Haojun Li,
• Abstract要約: 時系列データは、拡張時間スケールで潜伏構造を解析する上で重要な課題を示す。 時系列クラスタリングは、類似した時系列をグループ化する教師なし学習戦略として確立された。 この調査は重要な開発点を強調し、時系列クラスタリングにおける今後の研究を導くための洞察を提供する。
• 参考スコア（独自算出の注目度）: 4.318028678596998
• License:
• Abstract: Time series, as one of the most fundamental representations of sequential data, has been extensively studied across diverse disciplines, including computer science, biology, geology, astronomy, and environmental sciences. The advent of advanced sensing, storage, and networking technologies has resulted in high-dimensional time-series data, however, posing significant challenges for analyzing latent structures over extended temporal scales. Time-series clustering, an established unsupervised learning strategy that groups similar time series together, helps unveil hidden patterns in these complex datasets. In this survey, we trace the evolution of time-series clustering methods from classical approaches to recent advances in neural networks. While previous surveys have focused on specific methodological categories, we bridge the gap between traditional clustering methods and emerging deep learning-based algorithms, presenting a comprehensive, unified taxonomy for this research area. This survey highlights key developments and provides insights to guide future research in time-series clustering.
• Abstract（参考訳）: 時系列はシーケンシャルデータの最も基本的な表現の1つであり、コンピュータ科学、生物学、地質学、天文学、環境科学など様々な分野に幅広く研究されている。 高度なセンシング、ストレージ、ネットワーク技術の出現は、高次元時系列データをもたらしたが、拡張時間スケールで潜伏構造を解析する上で大きな課題となった。 時系列クラスタリング(Time-Series clustering)は、これら複雑なデータセットに隠されたパターンを明らかにするのに役立つ、教師なし学習戦略である。 本稿では,古典的アプローチから最近のニューラルネットワークの進歩まで,時系列クラスタリング手法の進化をトレースする。 従来のクラスタリング手法と深層学習に基づくアルゴリズムのギャップを埋め、この研究領域に包括的で統一された分類を提示する。 この調査は重要な開発点を強調し、時系列クラスタリングにおける今後の研究を導くための洞察を提供する。

関連論文リスト

• A Survey on Deep Clustering: From the Prior Perspective [9.628838389364864]
  この調査は、6種類の事前知識に分類することで、ディープクラスタリング手法の包括的なレビューを提供する。 広範に使われている5つのデータセットのベンチマークを提供し、様々な先行する手法のパフォーマンスを分析する。
  論文  参考訳（メタデータ） (2024-06-28T02:18:16Z)
• Time Series Clustering With Random Convolutional Kernels [0.0]
  時系列データ(気候学から金融学、医療まで)は、データマイニングにおいて大きな課題を提示している。 ひとつは時系列クラスタリングで、これはラベルなしの時系列データの大量処理に不可欠である。 R-Clusteringは、ランダムに選択されたパラメータを持つ畳み込みアーキテクチャを利用する新しい手法である。
  論文  参考訳（メタデータ） (2023-05-17T06:25:22Z)
• Deep Clustering: A Comprehensive Survey [53.387957674512585]
  クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。 ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。 ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
  論文  参考訳（メタデータ） (2022-10-09T02:31:32Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。