ترجمه فارسی مقاله استخراج شبکه‌های پراکنده سوئیچینگ برای مقادیر از دست رفته در سری‌های زمانی چند متغیره

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series
عنوان مقاله به فارسی استخراج شبکه‌های پراکنده سوئیچینگ برای مقادیر از دست رفته در سری‌های زمانی چند متغیره
نویسندگان Kohei Obata, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 15 September, 2024; originally announced September 2024. , Comments: Accepted by KDD 2024
توضیحات به فارسی ارسال شده در 15 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: توسط KDD 2024 پذیرفته شده است
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Multivariate time series data suffer from the problem of missing values, which hinders the application of many analytical methods. To achieve the accurate imputation of these missing values, exploiting inter-correlation by employing the relationships between sequences (i.e., a network) is as important as the use of temporal dependency, since a sequence normally correlates with other sequences. Moreover, exploiting an adequate network depending on time is also necessary since the network varies over time. However, in real-world scenarios, we normally know neither the network structure nor when the network changes beforehand. Here, we propose a missing value imputation method for multivariate time series, namely MissNet, that is designed to exploit temporal dependency with a state-space model and inter-correlation by switching sparse networks. The network encodes conditional independence between features, which helps us understand the important relationships for imputation visually. Our algorithm, which scales linearly with reference to the length of the data, alternatively infers networks and fills in missing values using the networks while discovering the switching of the networks. Extensive experiments demonstrate that MissNet outperforms the state-of-the-art algorithms for multivariate time series imputation and provides interpretable results.

چکیده به فارسی (ترجمه ماشینی)

داده های سری زمانی چند متغیره از مشکل مقادیر گمشده رنج می برند ، که مانع استفاده از بسیاری از روشهای تحلیلی می شود.برای دستیابی به وضعیت دقیق این مقادیر گمشده ، سوء استفاده از همبستگی با استفاده از روابط بین توالی ها (یعنی یک شبکه) به همان اندازه استفاده از وابستگی زمانی مهم است ، زیرا یک دنباله به طور عادی با سایر توالی ها ارتباط دارد.علاوه بر این ، بهره برداری از یک شبکه کافی بسته به زمان نیز ضروری است زیرا شبکه با گذشت زمان متفاوت است.با این حال ، در سناریوهای دنیای واقعی ، ما معمولاً نه ساختار شبکه را نمی شناسیم و نه وقتی شبکه از قبل تغییر می کند.در اینجا ، ما یک روش تغییر ارزش از دست رفته را برای سری های زمانی چند متغیره ، یعنی MissNet ، پیشنهاد می کنیم که برای سوء استفاده از وابستگی زمانی با یک مدل حالت فضای و همبستگی با تعویض شبکه های پراکنده طراحی شده است.این شبکه استقلال مشروط بین ویژگی ها را رمزگذاری می کند ، که به ما کمک می کند تا روابط مهم را از نظر بصری درک کنیم.الگوریتم ما ، که به صورت خطی با اشاره به طول داده ها مقیاس می یابد ، در عوض شبکه ها را تحت الشعاع قرار می دهد و مقادیر گمشده را با استفاده از شبکه ها در حالی که تغییر شبکه ها را کشف می کند ، پر می کند.آزمایش های گسترده نشان می دهد که Missnet از الگوریتم های پیشرفته برای تحمیل سری زمانی چند متغیره عمل می کند و نتایج قابل تفسیر را ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.