論文の概要: CLaP -- State Detection from Time Series

• arxiv url: http://arxiv.org/abs/2504.01783v1
• Date: Wed, 02 Apr 2025 14:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:23:18.701575
• Title: CLaP -- State Detection from Time Series
• Title（参考訳）: CLaP -- 時系列からの状態検出
• Authors: Arik Ermshaus, Patrick Schäfer, Ulf Leser,
• Abstract要約: 我々は,時系列状態検出のための新しい,高精度かつ効率的なアルゴリズムであるCLaPを紹介する。 教師なし環境でのTSSDの時系列分類の予測力を利用する。 CLaPは5つの最先端コンペティターよりはるかに精度が高い。
• 参考スコア（独自算出の注目度）: 3.572107803162503
• License:
• Abstract: The ever-growing amount of sensor data from machines, smart devices, and the environment leads to an abundance of high-resolution, unannotated time series (TS). These recordings encode the recognizable properties of latent states and transitions from physical phenomena that can be modelled as abstract processes. The unsupervised localization and identification of these states and their transitions is the task of time series state detection (TSSD). We introduce CLaP, a new, highly accurate and efficient algorithm for TSSD. It leverages the predictive power of time series classification for TSSD in an unsupervised setting by applying novel self-supervision techniques to detect whether data segments emerge from the same state or not. To this end, CLaP cross-validates a classifier with segment-labelled subsequences to quantify confusion between segments. It merges labels from segments with high confusion, representing the same latent state, if this leads to an increase in overall classification quality. We conducted an experimental evaluation using 391 TS from four benchmarks and found CLaP to be significantly more precise in detecting states than five state-of-the-art competitors. It achieves the best accuracy-runtime tradeoff and is scalable to large TS. We provide a Python implementation of CLaP, which can be deployed in TS analysis workflows.
• Abstract（参考訳）: マシンやスマートデバイス、環境からのセンサデータの増大は、高解像度で注釈なしの時系列(TS)の蓄積につながる。 これらの記録は、潜在状態の認識可能な性質を符号化し、抽象過程としてモデル化できる物理現象から遷移する。 これらの状態とその遷移の教師なしのローカライゼーションと識別は、時系列状態検出(TSSD)のタスクである。 我々は,TSSDの新しい,高精度かつ効率的なアルゴリズムであるCLaPを紹介する。 これは、データセグメントが同じ状態から出現するか否かを検出するために、新しい自己スーパービジョン技術を適用することで、教師なし環境でのTSSDの時系列分類の予測力を利用する。 この目的のために、CLaPはセグメントラベル付きサブシーケンスで分類器をクロスバリデーションし、セグメント間の混乱を定量化する。 ラベルを高い混乱を伴うセグメントからマージし、それが全体的な分類品質の向上につながるならば、同じ潜在状態を表す。 我々は4つのベンチマークから391 TSを用いて実験を行い、CLaPは5つの最先端コンペティターよりもはるかに精度が高いことを示した。 最高の精度と実行時のトレードオフを実現し、大規模なTSにスケーラブルである。 TS分析ワークフローにデプロイ可能なCLaPのPython実装を提供する。

関連論文リスト

• Raising the ClaSS of Streaming Time Series Segmentation [3.572107803162503]
  本稿では,ストリーミング時系列セグメンテーションのための新しい,効率的かつ高精度なアルゴリズムであるClaSSを紹介する。 ClaSSは8つの最先端の競合よりはるかに正確である。 また、Apache Flinkストリーミングエンジンでは、平均スループットが毎秒1Kのデータポイントを持つウィンドウオペレータとしてClaSSを提供しています。
  論文  参考訳（メタデータ） (2023-10-31T13:07:41Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [70.26374282390401]
  ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。 本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)
• ClaSP -- Parameter-free Time Series Segmentation [6.533695062182296]
  時系列セグメンテーションのための新しい,高精度かつドメインに依存しない手法である ClaSP を提案する。 ClaSP は、TS を2つの部分に階層的に分割する。変更点は、可能な分割点ごとにバイナリTS分類器を訓練し、それぞれの分割からサブシーケンスを特定するのに最適な1つの分割を選択することによって決定される。 実験では,115データセットのベンチマークを用いて,ClaSPが精度で高い性能を示し,高速かつスケーラブルであることを示す。
  論文  参考訳（メタデータ） (2022-07-28T10:05:53Z)
• Latent Space Unsupervised Semantic Segmentation [0.0]
  従来の変更点検出アルゴリズムには欠点があり、現実の応用性が制限されている。 本研究は,Latent Space Unsupervised (LS-USS) という新しい非教師付き多次元時系列を提案する。 LS-USSは、オフラインとリアルタイムの両方で、同等またはより良いパフォーマンスをシステマティックに達成する。
  論文  参考訳（メタデータ） (2022-07-22T13:11:42Z)
• Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
  そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。 MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
  論文  参考訳（メタデータ） (2022-04-18T04:34:15Z)
• Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
  セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。 本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。 アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-02-21T15:30:14Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Self-supervised Transformer for Multivariate Clinical Time-Series with Missing Values [7.9405251142099464]
  本稿ではSTraTS(Self-supervised Transformer for TimeSeries)モデルを提案する。 伝統的な密度行列表現を使う代わりに、時系列を観測三重項の集合として扱う。 これは、特にラベル付きデータが制限された場合、死亡予測の最先端手法よりも優れた予測性能を示す。
  論文  参考訳（メタデータ） (2021-07-29T19:39:39Z)
• Classification of multivariate weakly-labelled time-series with attention [0.0]
  弱いラベル付き時系列は、ノイズと重大な冗長性を含む時系列である。 本稿では,サブシーケンスの文脈関連を活用し,分類精度を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2021-02-16T16:05:38Z)
• A Closer Look at Temporal Sentence Grounding in Videos: Datasets and Metrics [70.45937234489044]
  2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。 基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。 すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
  論文  参考訳（メタデータ） (2021-01-22T09:59:30Z)

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。