最优时间序列模式
本文介绍了一种名为 LoCoMotif 的新方法,用于识别时间序列中多次出现的模式,克服了现有方法的限制,并通过理疗的实际应用案例和基准数据展示了其价值和性能优势。
Nov, 2023
本文提出了一种新方法称为 k-Motiflets,将 motif discovery 颠倒了过来,使用基于 k 个重复片段的算法来避免繁杂、不可预知的规则,此外还有自动确定输入参数的扩展功能。实现了无需先验知识就能提取有意义的 motif sets,与现有状态下的四种算法比较,发现本文所提出算法具有(a)数量上更好的相似度,可以找到更大的 motif set;(b)质量更佳,可以导致更清晰、更易解释的 motif,(c)具有最短的运行时间。
Jun, 2022
本文介绍了一种可扩展的准确方法,用于使用动态时间扭曲 (DTW) 发现时间序列 Motifs,该方法可以在时间和较低下限的紧密度之间自动执行最佳权衡,并且在现实设置下,该算法可以删除多达 99.99%的 DTW 计算。
Sep, 2020
本文发展了时态网络模体的概念以及一个计算方法。结果表明不同领域的网络拥有显著不同的模体计数,同一领域的网络则有类似的模体计数,不同的模体发生在不同的时间尺度上。
Dec, 2016
通过使用矩阵剖面方法,我们正式定义了一种在两个时间序列之间推断关注模式的理念,并提出了一个框架来推测两个时间序列之间的关注模式。该框架在模拟数据集中表现优于基线,并能够在音频记录和加密货币数据集中检测出关注模式。我们的框架可应用于任何时间序列领域,以获取关于时间序列之间关注模式的洞见。
Jan, 2024
在社交媒体兴起和预训练语言模型的帮助下,探讨了对话的复杂性与价值。使用无监督方法开发了一种对话模式挖掘技术,并从开源电影脚本数据集中提取了模式以进行探索性研究。
Nov, 2022
本文提出了一种称为 Network Flow Motifs 的新型模式,可以在约束的时间窗口内模拟一组顶点之间的重要流量传递,并设计了一种寻找大型图中流模式实例的算法,并在三个真实数据集上评估了算法性能并发现了网络中的有趣模式。
Oct, 2018
本文提出了一种数据驱动的基于统计度量的 MotifPiece 方法用于有效地提取分子中的结构模式,并通过引入异构学习模块作出了全面评估,表明其在提取结构模式方面具有改进,同时还展示了通过合并多个共享足够结构模式的数据集来进一步提高性能的方式。
Dec, 2023
提出了一种扩展 motif 算法的方法,称为 contextual motifs,同时识别 motif 和 context 来处理和解释生理波形数据,并在患有 1 型糖尿病的患者的连续葡萄糖监测数据中应用该方法,得到了更好的糖尿病低血糖和高血糖事件的预测。
Mar, 2017
本文初步报告了一项关于自动检测民间传说中的 Motifs 的系统开发,其中包括用于训练的标记工作、在建构架构中设计用于捕捉 Motifs 的关键特征、和测试案例的测量结果,进一步证明 Motifs 的重要性以及其在文化认知领域自动化处理的潜在价值。
Apr, 2022