論文の概要: Wavelet Probabilistic Recurrent Convolutional Network for Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2505.17307v1
• Date: Thu, 22 May 2025 21:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.703559
• Title: Wavelet Probabilistic Recurrent Convolutional Network for Multivariate Time Series Classification
• Title（参考訳）: 多変量時系列分類のためのウェーブレット確率的リカレント畳み込みネットワーク
• Authors: Pu Yang, J. A. Barria,
• Abstract要約: 確率的特徴を抽出・解析する多目的ウェーブレット確率モジュールを提案する。 このモジュールは、さまざまなニューラルネットワークアーキテクチャとシームレスに統合できる。 WPRCNは30種類のMSSデータセットで評価され、平均精度とランクで全てのベンチマークアルゴリズムを上回っている。
• 参考スコア（独自算出の注目度）: 0.36832029288386137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a Wavelet Probabilistic Recurrent Convolutional Network (WPRCN) for Multivariate Time Series Classification (MTSC), especially effective in handling non-stationary environments, data scarcity and noise perturbations. We introduce a versatile wavelet probabilistic module designed to extract and analyse the probabilistic features, which can seamlessly integrate with a variety of neural network architectures. This probabilistic module comprises an Adaptive Wavelet Probabilistic Feature Generator (AWPG) and a Channel Attention-based Probabilistic Temporal Convolutional Network (APTCN). Such formulation extends the application of wavelet probabilistic neural networks to deep neural networks for MTSC. The AWPG constructs an ensemble probabilistic model addressing different data scarcities and non-stationarity; it adaptively selects the optimal ones and generates probabilistic features for APTCN. The APTCN analyses the correlations of the features and forms a comprehensive feature space with existing MTSC models for classification. Here, we instantiate the proposed module to work in parallel with a Long Short-Term Memory (LSTM) network and a Causal Fully Convolutional Network (C-FCN), demonstrating its broad applicability in time series analysis. The WPRCN is evaluated on 30 diverse MTS datasets and outperforms all the benchmark algorithms on average accuracy and rank, exhibiting pronounced strength in handling scarce data and physiological data subject to perturbations and non-stationarities.
• Abstract（参考訳）: 本稿では,多変量時系列分類(MTSC)のためのWavelet Probabilistic Recurrent Convolutional Network (WPRCN)を提案する。 本稿では,様々なニューラルネットワークアーキテクチャとシームレスに統合可能な多用途ウェーブレット確率モジュールを提案する。 適応ウェーブレット確率的特徴発生器(AWPG)と、チャネルアテンションに基づく確率的時間的畳み込みネットワーク(APTCN)とを備える。 このような定式化は、MTSCのためのディープニューラルネットワークへのウェーブレット確率型ニューラルネットワークの適用を拡張している。 AWPGは、異なるデータ不足と非定常性に対応するアンサンブル確率モデルを構築し、最適なものを適応的に選択し、APTCNの確率的特徴を生成する。 APTCNは特徴の相関を解析し、分類のための既存のMTSCモデルと包括的特徴空間を形成する。 本稿では,提案モジュールをLong Short-Term Memory (LSTM) ネットワークとCausal Fully Convolutional Network (C-FCN) と並列に動作させ,時系列解析におけるその広範な適用性を実証する。 WPRCNは30種類のMSSデータセットで評価され、平均精度とランクで全てのベンチマークアルゴリズムを上回り、摂動や非定常の条件下での少ないデータと生理的データを扱う上で、顕著な強度を示す。

関連論文リスト

• Anomaly Detection for Non-stationary Time Series using Recurrent Wavelet Probabilistic Neural Network [0.36832029288386137]
  教師なしリカレントウェーブレット確率ニューラルネットワーク(RWPNN)を提案する。 非定常環境における異常を検出することを目的として,非密度推定ネットワークを用いて時間的特徴をモデル化する。
  論文  参考訳（メタデータ） (2025-05-16T14:43:00Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。

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。