Matrix Profile XV: Exploiting Time Series Consensus Motifs to Find Structure in Time Series Sets

已于 2023-09-01 18:42:48 修改
阅读量51 收藏
点赞数
分类专栏： 时间序列聚类 文章标签： 数据挖掘 人工智能
于 2022-11-12 15:34:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj_18706809267/article/details/127820560
版权

    近年来，数据挖掘界普遍认为，时间序列分析中的许多问题本质上都可以归结为发现并推理时间序列中的重复结构。现有的工具可以发现单个时间序列(motif)和时间序列对(join)之间的保守结构。然而，到目前为止，还没有工具来发现时间序列集中的重复结构，我们将这种想法称为时间序列共识motif，以识别它们与DNA字符串中离散类似物的相似性。本文提出一种时间序列共识motif的定义，以及一种可扩展的算法，用于在大规模数据集中发现它们。本文进一步表明，给定这个新原语，可以解决时间序列数据挖掘中的多个更高层次的问题。在动物运动研究、人类行为、医学和能量分解等不同领域的案例研究中，证明了所提出想法的实用性。

我们把时间序列数据集中的重复结构，时间序列共识motif，

 我们现在要问相应的问题，是否存在一个保守的模式，覆盖一秒的间隔，出现在每个时间序列中?在本文提出的定义下，最佳答案如图2所示。

 

 Ostinato: Fast Consensus Motif Search

我们将共识motif搜索算法称为Ostinato。Ostinato首先通过蛮力方法计算每个候选子序列的下界。这个下界序列既用于排序我们的搜索，也用于允许地修剪不有希望的候选项。

总结：在集合中找到多个时间序列之间共存的motif ，即为共识motif问题，这类似于k-维度motif发现问题

西西弗的小蚂蚁
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【Matrix Profile XV】
qq_41307208的博客
03-22 385
Matrix Profile XV一、文献相关信息二 、重要定义三、论文拟解决的主要问题四、论文的主要研究内容五、论文使用的算法六、实验评估七、论文的创新点 一、文献相关信息 文献名： 《Matrix Profile XV: Exploiting Time Series Consensus Motifs to Find Structure in Time Series Sets》 作者： Kaveh Kamgar, Shaghayegh Gharghabi, Eamonn Keogh 发表会议 ICDM
Gather-Excite:Exploiting Feature Context in Convolutional Neural Networks
Acmer_future_victor的博客
03-12 4040
Gather-Excite:Exploiting Feature Context in Convolutional Neural Networks Gather-Excite：在卷积神经网络中利用特征上下文 Abstract 尽管在卷积神经网络（CNN）中使用自底向上的局部运算符可以很好地匹配自然图像的某些统计信息，但它也可能阻止此类模型捕获上下文的远程特征交互。在这项工作中，我们提出了一种简单，轻量级的方法，以在CNN中更好地利用上下文。我们通过引入一对运算符来做到这一点：Gather，可以有效地在很大的
StyleMapGAN: Exploiting Spatial Dimensions of Latent in GAN for Real-time Image Editing（2021）
studyeboy的专栏
05-07 2244
[paper] Exploiting Spatial Dimensions of Latent in GAN for Real-time Image Editing [code] StyleMapGAN 摘要 生成对抗网络（GAN）从随机潜在向量合成逼真的图像。尽管操纵潜矢量控制了合成输出，但是用GAN编辑真实图像的缺点是：i）耗时的优化，无法将真实图像投影到潜矢量； ii）或通过编码器嵌入不准确。我们提出StyleMapGAN：中间潜在空间具有空间维度，而空间变异调制取代了AdaIN。与现有的基于优化的
【论文分享】Third Time‘s Not a Charm: Exploiting SNMPv3 for Router Fingerprinting
苏柳欣的博客
03-23 595
mark,后面细说，在复现
StyleMapGAN: Exploiting Spatial Dimensions of Latent in GAN for Real-time Image Editing | 翻译笔记
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
07-12 1096
StyleMapGAN 继 StyleGAN2 发扬光大 https://github.com/naver-ai/StyleMapGAN https://arxiv.org/pdf/2104.14754.pdf 相关实验【预训练模型测试】 StyleMapGAN: Exploiting Spatial Dimensions of Latent in GAN for Real-time Image Editing | 测试实验记录【一】 StyleMapGAN | celeba_hq 风格迁移 - .
Spectre Attacks: Exploiting Speculative Execution. 2019
diamond_biu的博客
03-18 2968
Spectre Attacks: Exploiting Speculative Execution来源梳理摘要I INTRODUCTIONA. Our resultB. Our TechniquesVariant 1: Exploiting Conditional BranchesVariant 2: Exploiting Indirect BranchesOther VariantsC. Targeted Hardware and Current StatusII. BACKGROUNDA. Out-of
Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking
王东辉的博客
03-29 3039
Transformer Meets Tracker:Exploiting Temporal Context for Robust Visual Tracking前言一、Abstract二、Contribution三、Method1、Revisting Tracking Frameworks 前言 论文 代码 一、Abstract 在视频对象跟踪中，连续帧之间存在丰富的时间上下文，在现有的跟踪器中已大大忽略了这些上下文。在这项工作中，我们桥接单个视频帧，并通过一个用于稳固对象跟踪的转换器架构探索它们的时间上下
SO-Pose: Exploiting Self-Occlusion for Direct 6D Pose Estimation
不忘初心~
10-12 1811
作者通过一种新的 self-occlusion 以建立一个两层的三维物体表示，从而大大提高端到端6D位姿估计的准确性。采用单个RGB图像作为输入，生成2D-3D对应，利用共享编码器和两个独立解码器的生成自遮挡信息，然后融合两个输出，直接回归6DoF位姿参数。结合 align correspondences、selfocclusion 和6D姿态的跨层一致性，可以进一步提高准确性和鲁棒性，并且在各种具有挑战性的数据集上超越或与所有其他 soat 的方法相匹敌。
CVPR 2021 Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking
smile909的博客
03-28 1310
动机 视觉目标跟踪是计算机视觉中的一项基本任务。尽管最近取得了一些进展，但由于遮挡、变形、外观变化等因素的影响，它仍然是一项具有挑战性的任务。 在视频目标跟踪任务中，现有的跟踪器中被忽略了连续帧之间存在着丰富的时间上下文信息。 方法 为了在独立的视频帧之间建立桥梁，并传递丰富的时间线索。提出了一种新的transformer辅助跟踪框架。由于提出的transformer接收图像特征嵌入，共同将这些图像特征嵌入归一化到实例（图片块）级，以保留有价值的图像幅度信息。将transformer编码器和解码器在这
[半监督学习] Tri-Training: Exploiting Unlabeled Data Using Three Classifiers
不定期更新 Web 开发及机器学习相关博客
02-17 1356
标准的协同训练算法需要两个充分且冗余的视图, 每组都足以用于学习, 并且在给定类标签的情况下条件独立. 不过这并不容易实现, 在论文中, 提出了一种新的协同训练风格算法, 称为 Tri-Training. 其不需要冗余的视图, 也不需要使用不同的监督学习算法. 与最开始使用两个分类器的算法相比, Tri-Training 使用三个分类器.
Probabilistic graphlet cut: Exploiting spatial structure cue for weakly supervised image segmentation
02-09
Probabilistic graphlet cut: Exploiting spatial structure cue for weakly supervised image segmentation
CoCo+: Exploiting Correlated Core for Energy Efficient Dissemination in Wireless Sensor Networks
02-10
CoCo+: Exploiting Correlated Core for Energy Efficient Dissemination in Wireless Sensor Networks
Exploiting Time and Frequency Diversities for High-Quality Linear Video Transmission: A MCast Framework
02-08
Exploiting Time and Frequency Diversities for High-Quality Linear Video Transmission: A MCast Framework
exploiting structure in data analysis
09-26
信号处理中的低秩与稀疏结构：包括认知雷达、线性时不变系统冲击响应的闭合形式等内容
VINCE: Exploiting Visible Light Sensing for Smartphone-based NFC Systems
02-09
We experimentally profile the impact of screen brightness levels and refresh rates of smartphones, and then use the results to guide the design of light intensity encoding scheme of VINCE. We adopt ...
数据挖掘--分类
Frankabcdefgh的博客
06-08 651
决策树:决策树是一种类似流程图的树结构，其中每个内部结点（非树叶节点）表示在一个属性上的测试，每一个分枝代表该测试的一个输出，而每个树叶节点存放一个类标号，树的最顶层及节点是根节点。
【数据挖掘】使用RFE进行特征选择
学无止境、积少成多、厚积薄发
06-07 1010
使用RFE进行特征选择
机器学习-14-重温经典的用户流失数据挖掘竞赛(实战)
最新发布
qq_20466211的博客
06-10 242
逻辑回归、支持向量机等
数据挖掘丨轻松应用RapidMiner机器学习内置数据分析案例模板详解（下篇）
持续分享仿真技术、高性能计算 (HPC) 和人工智能、数据分析等领域的优秀技术内容，欢迎持续关注Altair
06-07 1022
RapidMiner 机器学习平台提供了一个可视化的操作界面，允许用户通过拖放的方式构建数据分析流程。RapidMiner目前内置了13 种案例模板，这些模板是预定义的数据分析流程，可以帮助用户快速启动和执行常见的数据分析任务。
exploiting bert for end-to-end aspect-based sentiment analysis
09-16
Bert是一种在自然语言处理中被广泛...总之，“exploiting bert for end-to-end aspect-based sentiment analysis”意味着通过对Bert进行修改和扩展，将其应用于端到端的方面级情感分析任务中，以提升模型的性能和效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值