論文の概要: Riemannian Time Warping: Multiple Sequence Alignment in Curved Spaces

• arxiv url: http://arxiv.org/abs/2506.01635v1
• Date: Mon, 02 Jun 2025 13:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.304694
• Title: Riemannian Time Warping: Multiple Sequence Alignment in Curved Spaces
• Title（参考訳）: Riemannian Time Warping: 曲線空間における複数のシーケンスアライメント
• Authors: Julian Richter, Christopher Erdös, Christian Scheurer, Jochen J. Steil, Niels Dehio,
• Abstract要約: 時間変動による複数の信号の時間的アライメントは、音声認識やロボットモーション学習など、多くの分野において重要である。 本稿では,データを埋め込んだリーマン多様体の幾何学的構造を考慮し,複数の信号を効率的に整列させる手法を提案する。 LBRのアイワロボットによるテストを含む、合成データと現実世界のデータの実験では、RTWは平均化と分類の両方において、最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 5.777642571856656
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Temporal alignment of multiple signals through time warping is crucial in many fields, such as classification within speech recognition or robot motion learning. Almost all related works are limited to data in Euclidean space. Although an attempt was made in 2011 to adapt this concept to unit quaternions, a general extension to Riemannian manifolds remains absent. Given its importance for numerous applications in robotics and beyond, we introduce Riemannian Time Warping~(RTW). This novel approach efficiently aligns multiple signals by considering the geometric structure of the Riemannian manifold in which the data is embedded. Extensive experiments on synthetic and real-world data, including tests with an LBR iiwa robot, demonstrate that RTW consistently outperforms state-of-the-art baselines in both averaging and classification tasks.
• Abstract（参考訳）: 時間ゆらぎによる複数の信号の時間的アライメントは、音声認識やロボットモーション学習などの多くの分野において重要である。 関連するほとんどの研究はユークリッド空間のデータに限られている。 2011年にこの概念を単位四元数に適応させようと試みられたが、リーマン多様体への一般拡張はいまだに存在しない。 ロボット工学などにおける多くの応用の重要性を鑑み,Riemannian Time Warping~(RTW)を紹介した。 この新しいアプローチは、データが埋め込まれたリーマン多様体の幾何学的構造を考慮し、複数の信号を効率的に整列させる。 LBRのアイワロボットによるテストを含む、合成データと現実世界のデータに関する大規模な実験は、RTWが平均と分類の両方のタスクにおいて、最先端のベースラインを一貫して上回っていることを実証している。

関連論文リスト

• GeoERM: Geometry-Aware Multi-Task Representation Learning on Riemannian Manifolds [14.251447722365661]
  マルチタスク学習(MTL)は、関連するタスク間で共有される構造を発見し、統計力と学習効率を高めることを目的としている。 我々は、その自然なリーマン多様体上に共有表現を埋め込んだ幾何学的MTLフレームワークGeoERMを提案する。 また,GeoERMは評価精度を一定に向上し,負の伝達を低減し,逆ラベル雑音下では安定であることを示す。
  論文  参考訳（メタデータ） (2025-05-05T18:56:16Z)
• Deep Time Warping for Multiple Time Series Alignment [0.0]
  時系列アライメントは多くの実世界のアプリケーションで信号処理において重要なタスクである。 本稿では,深層学習技術を活用した複数時系列アライメントのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-22T18:55:51Z)
• 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)
• Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
  最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。 我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
  論文  参考訳（メタデータ） (2022-12-15T15:21:28Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• Multiscale Manifold Warping [28.628750841401]
  実世界のデータにおけるマルチスケール多様体潜在構造の利用により,アライメントの改善が期待できることを示す。 本稿では、DTWとマルチスケールな多様体学習フレームワークを統合したWOW(Warping on Wavelets)という新しいフレームワークを紹介する。
  論文  参考訳（メタデータ） (2021-09-19T21:00:23Z)
• Fast Simultaneous Gravitational Alignment of Multiple Point Sets [82.32416743939004]
  本稿では,複数点集合の同時登録のための新しいレジリエントな手法を提案し,後者を相互誘導力場内で厳密に動く粒子群として解釈する。 物理法則の変更によるシミュレーションの改善と、グローバルな多重リンク点相互作用の加速により、MBGA(Multi-Body Gravitational Approach)はノイズや欠落データに対して堅牢である。 様々な実験環境では、MBGAは精度と実行時間の観点から、いくつかの基準点セットアライメントアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2021-06-21T17:59:40Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Time Series Alignment with Global Invariances [14.632733235929926]
  本稿では,時間的アライメントとともに特徴空間の潜在的大域的変換を学習することにより,特徴空間と時間的変動の両方を考慮した新しい距離を提案する。 この新たな幾何学の下で,時系列バリセンタの計算アルゴリズムを2つ提案する。 シミュレーションデータと実世界のデータの両方に対するアプローチの関心を概説し、最先端の手法と比較して、我々のアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2020-02-10T15:11:50Z)

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。