文献

J-GLOBAL ID：202002273032791591   整理番号：20A2282522

多変量時系列分析のためのゲートRes2Net【JST・京大機械翻訳】

Gated Res2Net for Multivariate Time Series Analysis

著者 (4件)： Yang Chao (Ocean University of China,School of Information Science and Engineering,Qingdao,China) ,  Jiang Mingxing (Ocean University of China,School of Information Science and Engineering,Qingdao,China) ,  Guo Zhongwen (Ocean University of China,School of Information Science and Engineering,Qingdao,China) ,  Liu Yuan (Ocean University of China,School of Information Science and Engineering,Qingdao,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-7  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多変量時系列分析は,その広範な応用のため,データマイニングにおける重要な問題である。訓練のために利用可能な時系列データの増加に伴い,時系列解析の分野での深いニューラルネットワークの実現が一般的になっている。最近提案されたバックボーンであるRes2Netは,フィルタの異なるグループを接続することにより,マルチスケール表現能力を改善するので,最先端のネットワークをさらに改善できる。しかしながら,Res2Netは特徴マップの相関を無視して,情報相互作用プロセスに関する制御を欠いている。この問題に取り組むために,本論文では,多変量時系列解析のためのゲート化機構およびRes2Net,すなわちGate Res2Net(GRes2Net)の思考に基づくバックボーン畳込みニューラルネットワークを提案した。階層的残差様接続は,その値が元の特徴マップ,以前の出力特徴マップおよび次の入力特徴マップに基づいて計算されるゲートによって影響され,その結果,特徴マップ間の相関をより効果的に考慮した。ゲート化機構の利用を通して,ネットワークが情報送信のプロセスを制御でき,従って,時間情報と特徴マップ間の相関をよりよく捕捉し,利用することができた。2つの分類データセットと2つの予測データセットを含む4つの多変量時系列データセットに関するGRes2Netを評価した。その結果,GRes2Netは最先端の方法よりも優れた性能を持ち,従って優位性を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  フィルタ ,  *時系列分析 ,  ネットワーク ,  ニューラルネットワーク ,  残差 ,  データマイニング
準シソーラス用語： 時系列データ ,  マルチスケール ,  特徴マップ ,  *多変量 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 多変量 ,  時系列分析 ,  ゲート