論文の概要: FCPCA: Fuzzy clustering of high-dimensional time series based on common principal component analysis

• arxiv url: http://arxiv.org/abs/2505.07276v1
• Date: Mon, 12 May 2025 06:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.283725
• Title: FCPCA: Fuzzy clustering of high-dimensional time series based on common principal component analysis
• Title（参考訳）: FCPCA: 共通主成分分析に基づく高次元時系列のファジィクラスタリング
• Authors: Ziling Ma, Ángel López-Oriona, Hernando Ombao, Ying Sun,
• Abstract要約: 本研究は,共通主成分分析に基づくファジィクラスタリング手法を提案する。 提案手法は文献におけるいくつかの既存手法よりも優れていることを示す。 シミュレーション運転実験から記録された異なるドライバからの脳信号を含む興味深い応用は、このアプローチの可能性を示している。
• 参考スコア（独自算出の注目度）: 11.138320457692288
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clustering multivariate time series data is a crucial task in many domains, as it enables the identification of meaningful patterns and groups in time-evolving data. Traditional approaches, such as crisp clustering, rely on the assumption that clusters are sufficiently separated with little overlap. However, real-world data often defy this assumption, exhibiting overlapping distributions or overlapping clouds of points and blurred boundaries between clusters. Fuzzy clustering offers a compelling alternative by allowing partial membership in multiple clusters, making it well-suited for these ambiguous scenarios. Despite its advantages, current fuzzy clustering methods primarily focus on univariate time series, and for multivariate cases, even datasets of moderate dimensionality become computationally prohibitive. This challenge is further exacerbated when dealing with time series of varying lengths, leaving a clear gap in addressing the complexities of modern datasets. This work introduces a novel fuzzy clustering approach based on common principal component analysis to address the aforementioned shortcomings. Our method has the advantage of efficiently handling high-dimensional multivariate time series by reducing dimensionality while preserving critical temporal features. Extensive numerical results show that our proposed clustering method outperforms several existing approaches in the literature. An interesting application involving brain signals from different drivers recorded from a simulated driving experiment illustrates the potential of the approach.
• Abstract（参考訳）: 多変量時系列データのクラスタリングは、時間進化データにおいて意味のあるパターンやグループの識別を可能にするため、多くの領域において重要なタスクである。 crispクラスタリングのような従来のアプローチは、クラスタが十分に分離され、ほとんど重複しないという仮定に依存している。 しかし、実世界のデータは、しばしばこの仮定に反し、重なり合う分布や重なり合う点の雲、クラスタ間のぼやけた境界を示す。 ファジィクラスタリングは、複数のクラスタで部分的なメンバシップを可能にすることで、魅力的な代替手段を提供する。 その利点にもかかわらず、現在のファジィクラスタリング法は主に単変量時系列に焦点をあて、多変量の場合、中等次元のデータセットでさえ計算的に禁止される。 この課題は、様々な長さの時系列を扱う際にさらに悪化し、現代のデータセットの複雑さに対処する際の明確なギャップを残している。 本研究は, 上記の欠点に対処するため, 共通主成分分析に基づくファジィクラスタリング手法を提案する。 本手法は, 臨界時間特性を保ちながら, 次元を小さくすることで高次元多変量時系列を効率的に処理できるという利点がある。 大規模な数値計算の結果,提案手法は文献におけるいくつかの既存手法よりも優れていることがわかった。 シミュレーション運転実験から記録された異なるドライバからの脳信号を含む興味深い応用は、このアプローチの可能性を示している。

関連論文リスト

• Fuzzy Cluster-Aware Contrastive Clustering for Time Series [1.435214708535728]
  従来の教師なしクラスタリング手法は、しばしば時系列データの複雑な性質を捉えるのに失敗する。 本稿では,表現学習とクラスタリングを協調的に最適化するファジィクラスタ対応コントラストクラスタリングフレームワーク(FCACC)を提案する。 本稿では,時系列データの様々な特徴を活用して特徴抽出を強化するために,新しい3視点データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-03-28T07:59:23Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• Time Series Clustering With Random Convolutional Kernels [0.0]
  時系列データ(気候学から金融学、医療まで)は、データマイニングにおいて大きな課題を提示している。 ひとつは時系列クラスタリングで、これはラベルなしの時系列データの大量処理に不可欠である。 R-Clusteringは、ランダムに選択されたパラメータを持つ畳み込みアーキテクチャを利用する新しい手法である。
  論文  参考訳（メタデータ） (2023-05-17T06:25:22Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• 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)
• From Time Series to Euclidean Spaces: On Spatial Transformations for Temporal Clustering [5.220940151628734]
  従来のクラスタリング手法,時系列特異性,あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元性が存在する場合によく一般化しないことを示す。 本稿では,入力時系列を距離ベース投影表現に変換する時間クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-02T09:08:16Z)

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。