論文の概要: CORAL: Concept Drift Representation Learning for Co-evolving Time-series
- arxiv url: http://arxiv.org/abs/2501.01480v3
- Date: Fri, 31 Jan 2025 18:13:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 13:59:38.845583
- Title: CORAL: Concept Drift Representation Learning for Co-evolving Time-series
- Title(参考訳): 共進化型時系列におけるコンセプトドリフト表現学習
- Authors: Kunpeng Xu, Lifei Chen, Shengrui Wang,
- Abstract要約: 概念ドリフトは従来の分析モデルの信頼性と精度に影響を与える。
本稿では,時系列を進化するエコシステムとしてモデル化し,概念ドリフトの表現を学習する手法であるCoRALを提案する。
- 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 CORAL, a simple yet effective method that models time series as an evolving ecosystem to learn representations of concept drift. CORAL employs a kernel-induced self-representation learning 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, CORAL effectively identifies prevailing patterns and offers insights into emerging trends through pattern evolution analysis. Our empirical evaluation of CORAL 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, and can be easily integrated into most deep learning backbones.
- 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、時系列を進化するエコシステムとしてモデル化し、概念ドリフトの表現を学習する、シンプルで効果的な方法であるCoRALを提案する。
コーラルは、カーネルが引き起こした自己表現学習を用いて表現行列を生成し、共進化時系列の本質的なダイナミクスをカプセル化する。
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、Coralはパターンを効果的に識別し、パターン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。
様々なデータセットにおけるCORALの実証評価は,概念ドリフトの複雑さを扱う上で,その有効性を示している。
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正確性を向上し、ほとんどの深層学習バックボーンに容易に組み込むことができる、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
- Community-Aware Temporal Walks: Parameter-Free Representation Learning on Continuous-Time Dynamic Graphs [3.833708891059351]
Community-Aware Temporal Walks (CTWalks)は、連続時間動的グラフ上での表現学習のための新しいフレームワークである。
CTWalksは、コミュニティベースのパラメータフリー時間ウォークサンプリング機構、コミュニティラベルに富んだ匿名化戦略、エンコーディングプロセスを統合する。
ベンチマークデータセットの実験では、CTWalksは時間リンク予測タスクにおいて確立された手法よりも優れていた。
論文 参考訳(メタデータ) (2025-01-21T04:16:46Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳(メタデータ) (2024-12-30T13:55:59Z) - WormKAN: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series? [6.4314326272535896]
WormKANはコンセプトを意識したkanベースのモデルで、共同進化する時系列のコンセプトドリフトに対処する。
WormKANはPatch Normalization、Temporal Representation Module、Concept Dynamicsの3つの重要なコンポーネントで構成されている。
論文 参考訳(メタデータ) (2024-10-13T23:05:37Z) - Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。
我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。
我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
論文 参考訳(メタデータ) (2024-10-09T11:37:09Z) - 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) - Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations [14.828081841581296]
MTPP(マークド・テンポラル・ポイント・プロセス)は、イベント・タイム・データの集合である。
近年の研究では、ディープニューラルネットワークを使用してイベントの複雑な時間的依存関係をキャプチャしている。
本稿では,プロセスの特性を異なる事象からの進化的影響の集合に分解する脱結合型MTPPフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-10T10:15:32Z) - Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す
提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。
コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文 参考訳(メタデータ) (2024-02-01T07:21:30Z) - 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) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-19T10:15:00Z) - 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)
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。