Fugu-MT 論文翻訳(概要): On the clustering behavior of sliding windows

論文の概要: On the clustering behavior of sliding windows

arxiv url: http://arxiv.org/abs/2503.14393v1
Date: Tue, 18 Mar 2025 16:28:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-19 14:15:03.137629
Title: On the clustering behavior of sliding windows
Title（参考訳）: すべり窓のクラスタリング挙動について
Authors: Boris Alexeev, Wenyan Luo, Dustin G. Mixon, Yan X Zhang,
Abstract要約: クラスタリングがスライディングウィンドウで前処理されたデータをタイムリーにすることで、事態は驚くほど悪化する可能性がある。ウィンドウサイズがタイムリーの長さとどのように比較されるかによって、驚くほどの失敗が3つ浮かび上がっています。
参考スコア（独自算出の注目度）: 3.4498722449655066
License:
Abstract: Things can go spectacularly wrong when clustering timeseries data that has been preprocessed with a sliding window. We highlight three surprising failures that emerge depending on how the window size compares with the timeseries length. In addition to computational examples, we present theoretical explanations for each of these failure modes.
Abstract（参考訳）: クラスタリングがスライディングウィンドウで前処理されたデータをタイムリーにすることで、事態は驚くほど悪化する可能性がある。ウィンドウサイズがタイムリーの長さとどのように比較されるかによって、驚くほどの失敗が3つ浮かび上がっています。計算例に加えて, それぞれの故障モードに関する理論的説明も提示する。

関連論文リスト

Learning-Augmented Frequency Estimation in Sliding Windows [10.336003427313752]
我々は、スライディングウインドウアルゴリズムを改善するために機械学習アプローチを利用する方法を示す。我々の研究は、予測器が難易度の高いスライディングウインドウ設定に有用であることを示す。
論文参考訳（メタデータ） (2024-09-17T19:38:48Z)
Predicting machine failures from multivariate time series: an industrial case study [1.0435741631709405]
非ニューラル機械学習(ML)とディープラーニング(DL)モデルは、産業保守の文脈でシステム障害を予測するためにしばしば使用される。本研究では, 予測窓の大きさと予測窓の大きさが, 故障予測モデルの性能に及ぼす影響について検討した。
論文参考訳（メタデータ） (2024-02-27T09:07:59Z)
Spread Complexity in free fermion models [0.0]
本研究では,3スピン相互作用Isingモデル,XYスピンチェーン,Su-Schrieffer-Heegerモデルにおいて,拡散複雑性とクエンチ処理の統計について検討した。我々はFloquet演算子を用いて、パラメータの時間依存周期駆動の存在下での3つのモデルすべてを調べる。
論文参考訳（メタデータ） (2023-05-20T06:28:39Z)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
WindowSHAP: An Efficient Framework for Explaining Time-series Classifiers based on Shapley Values [8.913544654492696]
我々は、Shapley値を用いて時系列分類器を説明するためのモデルに依存しないフレームワークであるWindowSHAPを紹介する。 120の時間ステップ(時間)を持つ時系列データに対して、隣接する10の時間ポイントをマージすることで、WindowSHAPのCPU時間を80%削減できることを示す。また、我々のDynamic WindowSHAPアルゴリズムは、より重要な時間ステップに焦点を当て、より理解しやすい説明を提供する。
論文参考訳（メタデータ） (2022-11-11T23:02:54Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)
Hard-label Manifolds: Unexpected Advantages of Query Efficiency for Finding On-manifold Adversarial Examples [67.23103682776049]
画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
論文参考訳（メタデータ） (2021-03-04T20:53:06Z)
Critical Parameters for Scalable Distributed Learning with Large Batches and Asynchronous Updates [67.19481956584465]
飽和を伴う分散トレーニング(SGD)の効率は、バッチサイズと、実装における停滞に決定的に依存することが実験的に観察されている。結果がタイトであることを示し、数値実験で重要な結果を示しています。
論文参考訳（メタデータ） (2021-03-03T12:08:23Z)
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
論文参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。