ترجمه فارسی مقاله بررسی مقیاس‌پذیری در سری‌های زمانی بزرگ‌مقیاس در چارچوب DeepVATS

چکیده

Visual analytics is essential for studying large time series due to its ability to reveal trends, anomalies, and insights. DeepVATS is a tool that merges Deep Learning (Deep) with Visual Analytics (VA) for the analysis of large time series data (TS). It has three interconnected modules. The Deep Learning module, developed in R, manages the load of datasets and Deep Learning models from and to the Storage module. This module also supports models training and the acquisition of the embeddings from the latent space of the trained model. The Storage module operates using the Weights and Biases system. Subsequently, these embeddings can be analyzed in the Visual Analytics module. This module, based on an R Shiny application, allows the adjustment of the parameters related to the projection and clustering of the embeddings space. Once these parameters are set, interactive plots representing both the embeddings, and the time series are shown. This paper introduces the tool and examines its scalability through log analytics. The execution time evolution is examined while the length of the time series is varied. This is achieved by resampling a large data series into smaller subsets and logging the main execution and rendering times for later analysis of scalability.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل بصری به دلیل توانایی آشکار کردن روندها ، ناهنجاری ها و بینش ها برای مطالعه سری های بزرگ بزرگ ضروری است.DeepVats ابزاری است که یادگیری عمیق (عمیق) را با تجزیه و تحلیل بصری (VA) برای تجزیه و تحلیل داده های سری بزرگ (TS) ادغام می کند.این سه ماژول به هم پیوسته است.ماژول یادگیری عمیق ، که در R توسعه یافته است ، بار مجموعه داده ها و مدل های یادگیری عمیق را از و به ماژول ذخیره سازی مدیریت می کند.این ماژول همچنین از آموزش مدل ها و دستیابی به تعبیه ها از فضای نهفته مدل آموزش دیده پشتیبانی می کند.ماژول ذخیره سازی با استفاده از سیستم وزنه و تعصب کار می کند.پس از آن ، این تعبیه ها می توانند در ماژول تحلیلی بصری مورد تجزیه و تحلیل قرار گیرند.این ماژول ، بر اساس یک برنامه براق R ، امکان تنظیم پارامترهای مربوط به طرح ریزی و خوشه بندی فضای تعبیه را فراهم می کند.پس از تنظیم این پارامترها ، توطئه های تعاملی که هر دو تعبیه را نشان می دهند ، و سری زمانی نشان داده می شود.در این مقاله ابزار ارائه شده و مقیاس پذیری آن را از طریق تجزیه و تحلیل ورود به سیستم بررسی می کند.تکامل زمان اجرای در حالی که طول سری زمانی متنوع است ، بررسی می شود.این امر با استفاده مجدد از یک سری داده های بزرگ در زیر مجموعه های کوچکتر و ورود به سیستم اصلی و زمان ارائه برای تجزیه و تحلیل بعدی مقیاس پذیری حاصل می شود.