Fugu-MT 論文翻訳(概要): Steering the LoCoMotif: Using Domain Knowledge in Time Series Motif Discovery

論文の概要: Steering the LoCoMotif: Using Domain Knowledge in Time Series Motif Discovery

arxiv url: http://arxiv.org/abs/2502.11850v1
Date: Mon, 17 Feb 2025 14:44:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:16:43.663493
Title: Steering the LoCoMotif: Using Domain Knowledge in Time Series Motif Discovery
Title（参考訳）: LoCoMotifのステアリング: 時系列モチーフディスカバリにおけるドメイン知識の利用
Authors: Aras Yurtman, Daan Van Wesenbeeck, Wannes Meert, Hendrik Blockeel,
Abstract要約: Time Series Motif Discovery (TSMD) は時系列データの繰り返しパターンを特定するが、その教師なしの性質はユーザーにとって面白くないモチーフをもたらす可能性がある。アプリケーションドメインにおける所望のモチーフの性質に応じて制約を簡単に定義できるフレームワークを提案する。また,このフレームワークの効率的な実装であるLoCoMotif-DoKアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 6.65064657162217
License:
Abstract: Time Series Motif Discovery (TSMD) identifies repeating patterns in time series data, but its unsupervised nature might result in motifs that are not interesting to the user. To address this, we propose a framework that allows the user to impose constraints on the motifs to be discovered, where constraints can easily be defined according to the properties of the desired motifs in the application domain. We also propose an efficient implementation of the framework, the LoCoMotif-DoK algorithm. We demonstrate that LoCoMotif-DoK can effectively leverage domain knowledge in real and synthetic data, outperforming other TSMD techniques which only support a limited form of domain knowledge.
Abstract（参考訳）: Time Series Motif Discovery (TSMD) は時系列データの繰り返しパターンを特定するが、その教師なしの性質はユーザーにとって面白くないモチーフをもたらす可能性がある。この問題に対処するために、アプリケーションドメイン内の所望のモチーフの特性に応じて制約を簡単に定義できるような、ユーザーが発見すべきモチーフに制約を課すことを可能にするフレームワークを提案する。また,このフレームワークの効率的な実装であるLoCoMotif-DoKアルゴリズムを提案する。我々は,LoCoMotif-DoKが実データや合成データのドメイン知識を効果的に活用できることを実証した。

関連論文リスト

Idempotent Unsupervised Representation Learning for Skeleton-Based Action Recognition [13.593511876719367]
教師なし表現学習のための新しい骨格ベース等等化生成モデル(IGM)を提案する。ベンチマークデータセットであるNTU RGB+DとPKUMMDに関する実験により,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2024-10-27T06:29:04Z)
MotifDisco: Motif Causal Discovery For Time Series Motifs [0.0]
連続グルコースモニター(CGM)から採取したグルコースの痕跡に着目した。モチーフ間の因果関係を識別し、定量化する能力は、これらのパターンをよりよく理解し、表現するためのメカニズムを提供することができる。時系列トレースからモチーフ間の因果関係を学習するための新しい因果発見フレームワークを開発した。
論文参考訳（メタデータ） (2024-09-23T17:08:37Z)
Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
論文参考訳（メタデータ） (2024-08-05T08:35:59Z)
Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-05T09:19:54Z)
Dynamic Structural Causal Models [1.6574413179773764]
微分方程式(SDE)の系をDSCMで適切に表現できることを示す。この構成の直接的な結果は、SDEのシステムに対するグラフィカルなマルコフ特性である。また、離散時間DSCMを返却し、サブサンプリング時間列の数学的解析に使用できるサブサンプリング演算を定義する。
論文参考訳（メタデータ） (2024-06-03T09:54:31Z)
DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文参考訳（メタデータ） (2024-02-29T07:09:01Z)
Conflict Detection for Temporal Knowledge Graphs:A Fast Constraint Mining Algorithm and New Benchmarks [21.152721572830373]
パターンに基づく時間的制約マイニング手法PaTeConを提案する。本稿では,この手法が高速な高速化を実現するためにどのように最適化できるかを示す。また、WikidataとFreebaseに、コンフリクト検出のための2つの新しいベンチマークを構築するようアノテートしています。
論文参考訳（メタデータ） (2023-12-18T09:35:43Z)
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)
Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-08T04:09:13Z)
SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文参考訳（メタデータ） (2022-03-31T02:45:24Z)
Mosaicking to Distill: Knowledge Distillation from Out-of-Domain Data [56.29595334715237]
知識蒸留(KD)は,対象領域における教師の行動を模倣する,コンパクトな学生モデルを構築することを目的としている。私たちは、astextitMosaicKDと呼ばれる便利だが驚くほど効果的なアプローチを導入しました。モザイクKDでは、ジェネレータ、識別器、学生ネットワークを対角的に総合的に訓練する4人プレイのmin-maxゲームによってこれを達成している。
論文参考訳（メタデータ） (2021-10-27T13:01:10Z)

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。