論文の概要: Drift2Matrix: Kernel-Induced Self Representation for Concept Drift Adaptation in Co-evolving Time Series

• arxiv url: http://arxiv.org/abs/2501.01480v2
• Date: Thu, 09 Jan 2025 14:52:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:57:26.325506
• Title: Drift2Matrix: Kernel-Induced Self Representation for Concept Drift Adaptation in Co-evolving Time Series
• Title（参考訳）: Drift2Matrix:共進化時系列における概念ドリフト適応のためのカーネルによる自己表現
• Authors: Kunpeng Xu, Lifei Chen, Shengrui Wang,
• Abstract要約: 概念ドリフトは従来の時系列解析モデルの信頼性と精度に影響を与える。 Dread2Matrixはカーネルベースの学習機構を使用して表現行列を生成する。 広く普及しているパターンを効果的に識別し、新興トレンドに対する洞察を提供する。
• 参考スコア（独自算出の注目度）: 6.4314326272535896
• License:
• Abstract: In the realm of time series analysis, tackling the phenomenon of concept drift poses a significant challenge. Concept drift -- characterized by the evolving statistical properties of time series data, affects the reliability and accuracy of conventional analysis models. This is particularly evident in co-evolving scenarios where interactions among variables are crucial. This paper presents Drift2Matrix, a novel framework that leverages kernel-induced self-representation for adaptive responses to concept drift in time series. Drift2Matrix employs a kernel-based learning mechanism to generate a representation matrix, encapsulating the inherent dynamics of co-evolving time series. This matrix serves as a key tool for identification and adaptation to concept drift by observing its temporal variations. Furthermore, Drift2Matrix effectively identifies prevailing patterns and offers insights into emerging trends through pattern evolution analysis. Our empirical evaluation of Drift2Matrix across various datasets demonstrates its effectiveness in handling the complexities of concept drift. This approach introduces a novel perspective in the theoretical domain of co-evolving time series analysis, enhancing adaptability and accuracy in the face of dynamic data environments.
• Abstract（参考訳）: 時系列分析の領域では、概念ドリフト現象に対処することが大きな課題となる。 概念の漂流は、時系列データの進化する統計的性質によって特徴づけられ、従来の分析モデルの信頼性と精度に影響を与える。 これは変数間の相互作用が不可欠である共進化シナリオにおいて特に顕著である。 本稿では,カーネルによる自己表現をタイムシリーズのコンセプトドリフトに対する適応応答に活用する新しいフレームワークであるDrift2Matrixを提案する。 Drift2Matrixはカーネルベースの学習機構を用いて表現行列を生成する。 このマトリックスは、その時間的変動を観察することによって概念の漂流を識別し適応するための鍵となる道具として機能する。 さらに、Drift2Matrixは、普及しているパターンを効果的に識別し、パターンの進化分析を通じて出現するトレンドに対する洞察を提供する。 各種データセットを対象としたDrift2Matrixの実験的評価により,概念ドリフトの複雑さを扱う上での有効性が示された。 このアプローチは、動的データ環境の面における適応性と精度を向上させるとともに、共進化時系列分析の理論的領域における新しい視点を導入する。

関連論文リスト

• Wormhole: Concept-Aware Deep Representation Learning for Co-Evolving Sequences [6.4314326272535896]
  本稿では,概念を意識した新しい深層表現学習フレームワークであるWormholeを紹介する。 概念遷移は、潜伏空間の急激な変化を特定し、新しい行動への移行を示すことによって検出される。 この新しいメカニズムは、共進化配列の概念を正確に識別し、これらのワームホールの正確な位置を特定できる。
  論文  参考訳（メタデータ） (2024-09-20T19:11:39Z)
• Online Drift Detection with Maximum Concept Discrepancy [13.48123472458282]
  最大概念差に基づく新しい概念ドリフト検出手法であるMDD-DDを提案する。 本手法は,概念埋め込みのコントラスト学習により,様々な形態のコンセプトドリフトを適応的に同定することができる。
  論文  参考訳（メタデータ） (2024-07-07T13:57:50Z)
• EulerFormer: Sequential User Behavior Modeling with Complex Vector Attention [88.45459681677369]
  複素ベクトル注意を持つ新しい変圧器変圧器(EulerFormer)を提案する。 意味的差と位置的差の両方を定式化するための統一的な理論的枠組みを提供する。 意味的変動に対してより堅牢であり、原理上はより上述の理論的性質を持つ。
  論文  参考訳（メタデータ） (2024-03-26T14:18:43Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• CODA: Temporal Domain Generalization via Concept Drift Simulator [34.21255368783787]
  現実世界のアプリケーションでは、基礎となる時間的傾向から生じる共同分布の変化により、機械学習モデルは時代遅れになることが多い。 本研究では,予測特徴相関行列を組み込んだCOncept Drift simulAtorフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:04:34Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• Drift Estimation with Graphical Models [0.0]
  グラフィカルモデルを用いて、データの可視構造を抽出し、隠れたコンテキストの変化から推測する。 本研究は,オーストラリア電力市場における実世界データを用いた評価手法である。
  論文  参考訳（メタデータ） (2021-02-02T12:24:34Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。