時系列データ解析

Accedi

approfondimento - 時系列データ解析

時系列ソースフリー教師なしドメイン適応において、ソースドメインのテンポラル依存性を回復し、ターゲットドメインに効果的に転移することで、性能を向上させる。

Wormholeは、共進化時系列データにおける動的概念の検出と遷移を効果的に捉えるための新しい深層学習フレームワークである。

本研究は、時系列データに対するVarLiNGAMアルゴリズムの計算量を大幅に削減し、大規模データに対する適用性を高めた。特に、エントロピー計算の事前計算と計算量の最適化により、VarLiNGAMの時間複雑度を O(m3 · n)から O(m3 + m2 · n)に改善した。

ディフュージョンモデルは時系列データと時空間データの分析に広く適用されており、予測タスクや生成タスクなどの幅広い応用分野で優れた性能を発揮している。本調査では、無条件ディフュージョンモデルと条件付きディフュージョンモデルの2つのカテゴリに分類し、それぞれの特徴と適用事例を詳細に解説する。

単純な再帰性ベースラインは、時間的知識グラフ予測の分野で予想外に良い性能を発揮する。

時系列データ理解における大規模言語モデルの能力を体系的に評価し、その長所と短所を明らかにする。

時系列データの統計的特性を利用することで、短いデータや高ノイズ環境でも、長期的な相互作用を効率的に検出できる。

DeepLINK-Tは、時系列データの特徴選択において偽発見率を制御しつつ、高い特徴選択力を発揮する新しい手法である。

時系列データ全体を入力として受け取り、動的にプロセス不確定性を更新することで、データと内部モデルの不一致を検出し、時系列全体の推定精度を向上させる。

提案手法TS-CausalNNは、非線形非定常時系列データから同時的および時間遅れの因果関係を同時に発見することができる。

Chi Siamo

Prodotti | Risorse

Approfondimenti