文献

J-GLOBAL ID：202002262277080381   整理番号：20A2539816

時系列データ解析能力を持つ新しい長期および短期メモリネットワーク【JST・京大機械翻訳】

A Novel Long- and Short-Term Memory Network with Time Series Data Analysis Capabilities

著者 (2件)： Qiao Mu (School of Mathematics, Jilin University, Changchun 130021, China) ,  Cheng Zixuan (School of Electronic and Information Engineering, Changchun University, Changchun 130022, China)
資料名： Mathematical Problems in Engineering (Web)  (Mathematical Problems in Engineering (Web))
巻： 2020  ページ： Null  発行年： 2020年 
JST資料番号： U7803A  ISSN： 1024-123X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 時系列データは,実世界における非常に重要なタイプのデータである。時系列データは時間とともに徐々に蓄積した。時系列データの動的成長のため,それらはより高い次元と大きなデータスケールを持つ傾向がある。このタイプのデータに関するクラスタ分析を実行するとき,処理のために従来の特徴抽出方法を使用する際に欠点がある。時系列データのクラスタ化性能を改善するために,本研究では,入力データを訓練するために,再帰ニューラルネットワーク(RNN)を用いた。最初に,長い短期メモリ(LSTM)ネットワークと呼ばれるRNNを用いて時系列データの特徴を抽出した。第二に,プール化技術を用いて,LSTMネットワークの最後の層における出力特徴の次元を低減した。長い時系列のために,LSTMネットワークにおける隠れ層は,すべての時間で情報を記憶することができなかった。その結果,最後の層における大域的情報の圧縮表現を得ることは難しい。したがって,以前の隠れユニットから情報を結合することは,すべてのデータを補足するために必要である。すべての隠れユニット情報を積み重ねて,プール操作を実行することによって,隠れユニット情報の次元縮小効果を達成した。このようにして,過度に長いシーケンスに起因するメモリ損失を補償した。最後に,多くの時系列データが不均衡なデータであることを考慮して,不均衡K平均(UK平均)アルゴリズムを用いて次元縮小後の特徴をクラスタ化した。実験は,複数の公的に利用可能な時系列データセットで行った。実験結果は,本研究で使用した不均衡データのためのプール技術とクラスタ処理の次元縮小処理と組み合わせたLSTMベースの特徴抽出が,時系列データの処理に良い影響を及ぼすことを示した。Copyright 2020 Mu Qiao and Zixuan Cheng. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *記憶装置 ,  *ネットワーク ,  ニューラルネットワーク ,  特徴抽出 ,  クラスタ化 ,  クラスタ ,  クラスタ分析 ,  次元縮小
準シソーラス用語： 不均衡 ,  時系列データ ,  隠れ層 ,  入力データ ,  不均衡データ ,  LSTMネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  自然語処理  (JE06000L)

引用文献 (45件)：

• W. R. Pearson, A. J. Mackey, "Using SQL databases for sequence similarity searching and analysis," Current Protocols in Bioinformatics, vol. 59, no. 1, pp. 1-22, 2017.
• J. Tong, R. I. Sadreyev, J. Pei, L. N. Kinch, N. V. Grishin, "Using homology relations within a database markedly boosts protein sequence similarity search," Proceedings of the National Academy of Sciences, vol. 112, no. 22, pp. 7003-7008, 2015.
• D. Berndt, J. Clifford, "Finding patterns in time series: a dynamic programming approach," Advances in Knowledge Discovery & Data Mining, pp. 229-248, 1996.
• T. Kahveci, A. K. Singh, "Optimizing similarity search for arbitrary length time series queries," IEEE Transactions on Knowledge and Data Engineering, vol. 16, no. 4, pp. 418-433, 2004.
• E. Keogh, K. Chakrabarti, M. Pazzani, S. Mehrotra, "Dimensionality reduction for fast similarity search in large time series databases," Knowledge and Information Systems, vol. 3, no. 3, pp. 263-286, 2001.

タイトルに関連する用語 (5件)： 時系列データ ,  解析 ,  能力 ,  長期 ,  短期