文献

J-GLOBAL ID：202102232070366315   整理番号：21A2580200

Edge4TSC:エッジ環境におけるバイナリ分布ツリー可能時系列分類【JST・京大機械翻訳】

Edge4TSC: Binary Distribution Tree-Enabled Time Series Classification in Edge Environment

著者 (4件)： Ma Chao (School of Cyber Science and Engineering, Wuhan University, Wuhan 430079, China) ,  Shi Xiaochuan (School of Cyber Science and Engineering, Wuhan University, Wuhan 430079, China) ,  Li Wei (School of Cyber Science and Engineering, Wuhan University, Wuhan 430079, China) ,  Zhu Weiping (School of Computer Science, Wuhan University, Wuhan 430079, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 7  ページ： 1908  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 過去10年間,時系列データは,迅速な速度で様々な分野から発生し,貴重な知識をマイニングするための巨大な機会を提供する。時系列マイニングの典型的タスクとして,時系列分類(TSC)は,人間活動認識からスマート都市ガバナンスまでの広い応用のため,研究者とドメインエキスパートの両方から多くの注目を集めている。特に,高価な手作業特徴工学なしでタイムリーな方法で多様なタイプの時系列データに関する分類タスクを実行するための要求が高まっている。したがって,本論文では,時系列をエッジ環境において処理できるEdge4TSCというフレームワークを提案し,その結果,分類結果をエンドユーザに即座に戻すことができる。一方,高価な手工作特徴工学プロセスを取り除くために,深層学習技術を自動特徴抽出のために適用して,それは最先端のTSC解法と比較して競合または優れた性能を示した。しかし,時系列が複雑なパターンを示すので,深い学習モデルでさえ,満足な分類精度を達成することができないので,分類器が分類精度をさらに改善するのを助ける新しい時系列表現法の探索を動機づけた。提案したフレームワークEdge4TSCにおいて,バイナリ分布ツリーを構築することにより,TSCタスクにおける分類精度の懸念に取り組むために,新しい時系列表現法を設計した。エッジ環境における6つの挑戦的な時系列データセットに関する包括的な実験を行うことによって,その一般化能力および分類精度改善のための提案フレームワークの可能性は,多くの有用な洞察によって,確かに検証される。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  *特徴抽出
準シソーラス用語： 人間活動 ,  時系列データ ,  エンドユーザ ,  分類精度 ,  *バイナリー ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 時系列分類 ,  エッジ環境 ,  バイナリ分布ツリー ,  深層学習

分類 (2件)： リモートセンシング一般  (AD04000L) ,  図形・画像処理一般  (JE04010I)

引用文献 (24件)：

• Fawaz, H.I.; Forestier, G.; Weber, J.; Idoumghar, L.; Muller, P.A. Deep learning for time series classification: A review. Data Min. Knowl. Discov. 2019, 33, 917-963.
• Berndt, D.J.; Clifford, J. Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks. In Proceedings of the 23rd ACM International Conference on Multimedia, Brisbane, Australia, 26-30 October 2015; pp. 1307-1310.
• Ghassemi, M.; Pimentel, M.A.F.; Naumann, T.; Brennan, T.; Clifton, D.A.; Szolovits, P.; Feng, M. A Multivariate Timeseries Modeling Approach to Severity of Illness Assessment and Forecasting in ICU with Sparse, Heterogeneous Clinical Data. In Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence, Austin, TX, USA, 25-30 January 2015; pp. 446-453.
• Taylor, J.W.; McSharry, P.E.; Buizza, R. Wind Power Density Forecasting Using Ensemble Predictions and Time Series Models. IEEE Trans. Energy Convers. 2009, 24, 775-782.
• Jebb, A.T.; Tay, L.; Wang, W.; Huang, Q. Time series analysis for psychological research: Examining and forecasting change. Front. Psychol. 2015, 6, 1-24.

タイトルに関連する用語 (6件)： エッジ ,  環境 ,  バイナリ ,  分布 ,  時系列 ,  分類