論文の概要: An Efficient Transport-Based Dissimilarity Measure for Time Series Classification under Warping Distortions

• arxiv url: http://arxiv.org/abs/2505.05676v2
• Date: Wed, 14 May 2025 19:26:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 12:00:18.74527
• Title: An Efficient Transport-Based Dissimilarity Measure for Time Series Classification under Warping Distortions
• Title（参考訳）: ワープ歪みを考慮した時系列分類のための効率的な輸送型異種度測定
• Authors: Akram Aldroubi, Rocío Díaz Martín, Ivan Medri, Kristofor E. Pas, Gustavo K. Rohde, Abu Hasnat Mohammad Rubaiyat,
• Abstract要約: 1NN-DTW法の連続的なバージョンは、たとえ1つのトレーニングサンプルが利用可能であったとしても、その問題を解決することができることを示す。 さらに, 最適輸送に基づく別の相似性尺度を提案し, 計算コストを大幅に削減した上で, 上記の問題文を解くことができることを示す。
• 参考スコア（独自算出の注目度）: 4.524576840448699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time Series Classification (TSC) is an important problem with numerous applications in science and technology. Dissimilarity-based approaches, such as Dynamic Time Warping (DTW), are classical methods for distinguishing time series when time deformations are confounding information. In this paper, starting from a deformation-based model for signal classes we define a problem statement for time series classification problem. We show that, under theoretically ideal conditions, a continuous version of classic 1NN-DTW method can solve the stated problem, even when only one training sample is available. In addition, we propose an alternative dissimilarity measure based on Optimal Transport and show that it can also solve the aforementioned problem statement at a significantly reduced computational cost. Finally, we demonstrate the application of the newly proposed approach in simulated and real time series classification data, showing the efficacy of the method.
• Abstract（参考訳）: 時系列分類(TSC)は、科学技術における多くの応用において重要な問題である。 動的時間ワープ(DTW)のような相似性に基づくアプローチは、時間変形が情報に相反するときに時系列を区別する古典的な方法である。 本稿では,信号クラスの変形に基づくモデルから時系列分類問題に対する問題文を定義する。 理論上理想的な条件下では,従来の1NN-DTW法の連続バージョンは,たとえ1つのトレーニングサンプルが利用可能であったとしても,その問題を解決することができることを示す。 さらに, 最適輸送に基づく別の相似性尺度を提案し, 計算コストを大幅に削減した上で, 上記の問題文を解くことができることを示す。 最後に,シミュレーションおよび実時間時系列分類データにおける提案手法の適用例を示し,本手法の有効性を示した。

関連論文リスト

• Adaptive Classification of Interval-Valued Time Series [0.0]
  本稿では,区間値時系列分類のための適応的手法を提案する。 我々は、間隔値の時系列表現を点値の時系列画像化法に基づいて画像に変換する。
  論文  参考訳（メタデータ） (2025-04-04T09:52:40Z)
• Point processes with event time uncertainty [16.64005584511643]
  ネットワーク上での時間不確実なポイントプロセスのモデル化のためのフレームワークを導入する。 提案手法は,シミュレーションおよび実データに基づく従来のジェネラル線形モデル(GLM)のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-05T00:46:09Z)
• Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification [5.866975269666861]
  時系列分類のためのモデルに依存しないインスタンスベースのポストホック説明可能性法を提案する。 提案したアルゴリズム、すなわちTime-CFはシェープレットとTimeGANを利用して任意の時系列分類器に反実的な説明を提供する。
  論文  参考訳（メタデータ） (2024-02-02T11:57:53Z)
• 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)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
  TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。 本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2022-02-16T09:40:13Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
  トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。 提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。 本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T17:44:50Z)

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。