論文の概要: Introducing Feature-Based Trajectory Clustering, a clustering algorithm for longitudinal data

• arxiv url: http://arxiv.org/abs/2603.13254v1
• Date: Tue, 24 Feb 2026 17:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.235278
• Title: Introducing Feature-Based Trajectory Clustering, a clustering algorithm for longitudinal data
• Title（参考訳）: 長手データクラスタリングアルゴリズムFeature-based Trajectory Clusteringの導入
• Authors: Marie-Pierre Sylvestre, Laurence Boulanger,
• Abstract要約: 本稿では,時系列データをクラスタリングするための新しいアルゴリズムを提案する。 このタイプのデータは、個人で構成され、それぞれの個人に対して、様々なタイミングで作成された時間依存変数の観測として概念化することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new algorithm for clustering longitudinal data. Data of this type can be conceptualized as consisting of individuals and, for each such individual, observations of a time-dependent variable made at various times. Generically, the specific way in which this variable evolves with time is different from one individual to the next. However, there may also be commonalities; specific characteristic features of the time evolution shared by many individuals. The purpose of the method we put forward is to find clusters of individual whose underlying time-dependent variables share such characteristic features. This is done in two steps. The first step identifies each individual to a point in Euclidean space whose coordinates are determined by specific mathematical formulae meant to capture a variety of characteristic features. The second step finds the clusters by applying the Spectral Clustering algorithm to the resulting point cloud.
• Abstract（参考訳）: 本稿では,時系列データをクラスタリングするための新しいアルゴリズムを提案する。 このタイプのデータは、個人で構成され、それぞれの個人に対して、様々なタイミングで作成された時間依存変数の観測として概念化することができる。 概して、この変数が時間とともに進化する特定の方法は、個人によって異なる。 しかし、共通点もあり、多くの個人が共有する時間進化の特定の特徴がある。 提案手法の目的は,基本となる時間依存変数がそのような特徴を持つ個々のクラスタを見つけることである。 これは2つのステップで行われます。 最初のステップでは、それぞれの個人をユークリッド空間の点に特定し、その座標は様々な特徴を捉えるための特定の数学的公式によって決定される。 2番目のステップは、結果のポイントクラウドにスペクトルクラスタリングアルゴリズムを適用することでクラスタを見つける。

関連論文リスト

• On time series clustering with k-means [0.5530212768657544]
  時系列クラスタリングアルゴリズムは、様々な方法で構成されたk平均で表されることが多い。 この変数は、k-平均はその構成に非常に敏感であることが知られているため、研究を比較するのが困難である。 本稿では,エンドツーエンドアプローチを採用したTSCLの標準ロイドモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-18T08:24:07Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• 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)
• Unified and Dynamic Graph for Temporal Character Grouping in Long Videos [31.192044026127032]
  ビデオ時間的キャラクタグループ化は、ビデオ内の主要なキャラクタの出現モーメントを、そのアイデンティティに応じて特定する。 最近の研究は、教師なしクラスタリングからグラフベースのクラスタリングへと進化してきた。 時間的文字グループ化のための統一動的グラフ(UniDG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-27T13:22:55Z)
• DMS: Differentiable Mean Shift for Dataset Agnostic Task Specific Clustering Using Side Information [0.0]
  我々は、サイド情報から直接データをクラスタリングすることを学ぶ新しいアプローチを提案する。 クラスタの数、その中心、あるいは類似性に関するあらゆる種類の距離メートル法を知る必要はありません。 本手法は,特定のタスクのニーズに応じて,同じデータポイントを様々な方法で分割することができる。
  論文  参考訳（メタデータ） (2023-05-29T13:45:49Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
  MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
  論文  参考訳（メタデータ） (2020-05-01T07:46:29Z)
• 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。