論文の概要: A Network Science Approach to Granular Time Series Segmentation

• arxiv url: http://arxiv.org/abs/2505.17640v1
• Date: Fri, 23 May 2025 09:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.941747
• Title: A Network Science Approach to Granular Time Series Segmentation
• Title（参考訳）: 粒状時系列セグメンテーションへのネットワーク科学的アプローチ
• Authors: Ivana Kesić, Carolina Fortuna, Mihael Mohorčič, Blaž Bertalanič,
• Abstract要約: 時系列セグメンテーション(TSS)は時系列解析技術の1つであり、他のTSS関連タスクに比べてかなり少ない注意を払っている。 WDPVG (Weighted Dual Perspective Visbility Graph) TS をグラフに利用し,グラフ注意ネットワーク (Graph Attention Network, GAT) と組み合わせた,より粒度の細かい TSS アプローチを提案する。 TSをグラフに変換することで、他の方法では隠されるであろうデータのさまざまな構造的側面をキャプチャすることができます。
• 参考スコア（独自算出の注目度）: 0.17999333451993949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series segmentation (TSS) is one of the time series (TS) analysis techniques, that has received considerably less attention compared to other TS related tasks. In recent years, deep learning architectures have been introduced for TSS, however their reliance on sliding windows limits segmentation granularity due to fixed window sizes and strides. To overcome these challenges, we propose a new more granular TSS approach that utilizes the Weighted Dual Perspective Visbility Graph (WDPVG) TS into a graph and combines it with a Graph Attention Network (GAT). By transforming TS into graphs, we are able to capture different structural aspects of the data that would otherwise remain hidden. By utilizing the representation learning capabilities of Graph Neural Networks, our method is able to effectively identify meaningful segments within the TS. To better understand the potential of our approach, we also experimented with different TS-to-graph transformations and compared their performance. Our contributions include: a) formulating the TSS as a node classification problem on graphs; b) conducting an extensive analysis of various TS- to-graph transformations applied to TSS using benchmark datasets from the TSSB repository; c) providing the first detailed study on utilizing GNNs for analyzing graph representations of TS in the context of TSS; d) demonstrating the effectiveness of our method, which achieves an average F1 score of 0.97 across 59 diverse TSS benchmark datasets; e) outperforming the seq2point baseline method by 0.05 in terms of F1 score; and f) reducing the required training data compared to the baseline methods.
• Abstract（参考訳）: 時系列セグメンテーション (TSS) は時系列解析技術の一つであり、他のTS関連タスクに比べてかなり少ない注意を払っている。 近年,TSSにはディープラーニングアーキテクチャが導入されているが,スライディングウインドウへの依存は,固定ウィンドウサイズやストライドによるセグメンテーションの粒度を制限している。 これらの課題を克服するために, 重み付き双対視点視力グラフ(WDPVG) TS をグラフ化し, グラフ注意ネットワーク(GAT)と組み合わせた, より粒度の細かい TSS アプローチを提案する。 TSをグラフに変換することで、他の方法では隠されるであろうデータのさまざまな構造的側面をキャプチャすることができます。 本手法は,グラフニューラルネットワークの表現学習能力を利用して,TS内の意味セグメントを効果的に識別することができる。 このアプローチの可能性をよりよく理解するために、異なるTS-to-graph変換の実験を行い、それらの性能を比較した。 コントリビューションには以下のものがある。 a) TSSをグラフ上のノード分類問題として定式化すること。 ロ TSBレポジトリのベンチマークデータセットを用いて、TS-to-graph変換をTASに適用する各種のTS-to-graph変換を広範囲に分析すること。 c) TSのグラフ表現をTSの文脈で解析するためのGNNの利用に関する最初の詳細な研究を提供する。 d) 59種類のTSSベンチマークデータセットに対して平均F1スコア0.97を達成する手法の有効性を示す。 e) F1スコアの点において、セク2ポイント基準法を0.05で上回り、 f) 基準法と比較して必要な訓練データを削減すること。

関連論文リスト

• Benchmarking Graph Representations and Graph Neural Networks for Multivariate Time Series Classification [30.8017693361366]
  本稿では,広く使用されている3つのノード特徴定義戦略,4つのエッジ特徴学習戦略,5つのGNNアーキテクチャの有効性を検証した最初のベンチマークを示す。 実験の結果,ノード特徴がMTSC性能に著しく影響を及ぼすのに対し,エッジ特徴の可視化は,適応的エッジ学習が他のエッジ特徴学習法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-14T18:41:15Z)
• Conditional Distribution Learning on Graphs [15.730933577970687]
  半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。 具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T07:26:36Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• 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)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting [46.76885997673142]
  我々は時系列変数のための効率的なグラフ畳み込みネットワークを構築した。 MTS分析と予測のために,高効率スケールフリーパラメータ学習手法を導出する。 実験により、EV-FGNは7つの実世界のMTSデータセットで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-06T17:50:07Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
  グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。 GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。 本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
  論文  参考訳（メタデータ） (2020-01-27T16:05:56Z)

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。