論文の概要: Deep Time Warping for Multiple Time Series Alignment
- arxiv url: http://arxiv.org/abs/2502.16324v1
- Date: Sat, 22 Feb 2025 18:55:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:57:16.695741
- Title: Deep Time Warping for Multiple Time Series Alignment
- Title（参考訳）: 複数時系列アライメントのための深部時間ワープ
- Authors: Alireza Nourbakhsh, Hoda Mohammadzade,
- Abstract要約: 時系列アライメントは多くの実世界のアプリケーションで信号処理において重要なタスクである。
本稿では,深層学習技術を活用した複数時系列アライメントのための新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Time Series Alignment is a critical task in signal processing with numerous real-world applications. In practice, signals often exhibit temporal shifts and scaling, making classification on raw data prone to errors. This paper introduces a novel approach for Multiple Time Series Alignment (MTSA) leveraging Deep Learning techniques. While most existing methods primarily address Multiple Sequence Alignment (MSA) for protein and DNA sequences, there remains a significant gap in alignment methodologies for numerical time series. Additionally, conventional approaches typically focus on pairwise alignment, whereas our proposed method aligns all signals in a multiple manner (all the signals are aligned together at once). This innovation not only enhances alignment efficiency but also significantly improves computational speed. By decomposing into piece-wise linear sections, we introduce varying levels of complexity into the warping function. Additionally, our method ensures the satisfaction of three warping constraints: boundary, monotonicity, and continuity conditions. The utilization of a deep convolutional network allows us to employ a new loss function, addressing some limitations of Dynamic Time Warping (DTW). Experimental results on the UCR Archive 2018, comprising 129 time series datasets, demonstrate that employing our approach to align signals significantly enhances classification accuracy and warping average and also reduces the run time across the majority of these datasets.
- Abstract（参考訳）: 時系列アライメントは多くの実世界のアプリケーションで信号処理において重要なタスクである。
実際には、信号はしばしば時間的なシフトとスケーリングを示し、生データの分類はエラーを起こしやすい。
本稿では,深層学習技術を活用したMTSA(Multiple Time Series Alignment)の新たなアプローチを提案する。
既存のほとんどの手法は、タンパク質およびDNA配列の多重配列アライメント(MSA)を主に扱うが、数値時系列のアライメント手法には大きなギャップがある。
さらに,従来の手法ではペアアライメントに重点を置いているのに対し,提案手法では,すべての信号を複数の方法でアライメントする(全ての信号が同時にアライメントされる)。
この革新はアライメント効率を向上するだけでなく、計算速度を大幅に向上させる。
分数次線形セクションに分解することで、ワープ関数に様々なレベルの複雑さを導入する。
さらに,本手法は,境界条件,単調条件,連続条件の3つの反り制約の満足度を保証する。
深層畳み込みネットワークを利用することで、動的時間ワープ(DTW)のいくつかの制限に対処し、新たな損失関数を利用できる。
UCR Archive 2018の129の時系列データセットによる実験結果は、信号の整合化に我々のアプローチを用いることで、分類精度とワープ平均が大幅に向上し、これらのデータセットの大部分にわたる実行時間を短縮することを示した。
関連論文リスト
- Diffeomorphic Temporal Alignment Nets for Time-series Joint Alignment and Averaging [8.14908648005543]
時系列分析では、非線形時間的不整合は、森林労働者がより単純な平均化を行うための重要な課題である。
DTANは入力依存の方法で微分同相変換を予測し、適用することにより、時系列アンサンブルのジョイントアライメント(JA)と平均化を容易にする。
我々は、マルチタスク学習(MT-DTAN)を組み込むためにフレームワークを拡張し、同時調整と分類を可能にした。
論文 参考訳（メタデータ） (2025-02-10T15:55:08Z) - FLEXtime: Filterbank learning for explaining time series [10.706092195673257]
本稿では,FLEXtimeと呼ばれる時系列説明可能性の新たな手法を提案する。
フィルタバンクを使用して、時系列を周波数帯域に分割し、これらのバンドの最適な組み合わせを学ぶ。
本評価の結果,FLEXtime は様々なデータセットに対して,最先端の説明可能性手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-11-06T15:06:42Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - 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) - Two-Stage Aggregation with Dynamic Local Attention for Irregular Time Series [14.883195365310705]
時系列における時間的および特徴的不規則性を調和させるため,動的局所注意を伴う2段階集約プロセスであるTADを導入する。
TADAは3つの実世界のデータセットで最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-11-13T20:54:52Z) - 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) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:05:51Z) - Drop-DTW: Aligning Common Signal Between Sequences While Dropping
Outliers [33.174893836302005]
そこで本研究では,一致から外れ値要素を自動的に削除しながら,シーケンス間の共通信号を整列する新しいアルゴリズムDrop-DTWを提案する。
実験の結果,Drop-DTWはシーケンス検索に頑健な類似性尺度であり,多様なアプリケーションに対するトレーニング損失としての有効性を示した。
論文 参考訳（メタデータ） (2021-08-26T18:52:35Z) - Fast Simultaneous Gravitational Alignment of Multiple Point Sets [82.32416743939004]
本稿では,複数点集合の同時登録のための新しいレジリエントな手法を提案し,後者を相互誘導力場内で厳密に動く粒子群として解釈する。
物理法則の変更によるシミュレーションの改善と、グローバルな多重リンク点相互作用の加速により、MBGA(Multi-Body Gravitational Approach)はノイズや欠落データに対して堅牢である。
様々な実験環境では、MBGAは精度と実行時間の観点から、いくつかの基準点セットアライメントアプローチより優れていることが示されている。
論文 参考訳（メタデータ） (2021-06-21T17:59:40Z) - 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) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z)
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。