280798記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. 時系列データのための合成フレームワークを用いたDTW尺度の評価（Evaluating DTW Measures via a Synthesis Framework for Time-Series Data）
2 分で読了
0 views

時系列データのための合成フレームワークを用いたDTW尺度の評価

（Evaluating DTW Measures via a Synthesis Framework for Time-Series Data）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近うちの現場で時系列データの話が出てまして。部下が「DTWが〜」と言うのですが、正直ピンと来ないんです。これって要するにどんなことに使うんでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！DTWというのはDynamic Time Warpingの略で、時間軸がずれた信号同士をうまく並べる技術ですよ。要点を3つで説明すると、時系列同士を比べる、時間の伸び縮みに対応する、そしてマッチングの質を測るための基準が必要、ということです。大丈夫、一緒にやれば必ずできますよ。

田中専務

なるほど、時間の伸び縮みを気にするんですね。でも、うちの現場ではセンサがちょっとずれてピークが増えたり減ったりすることもあります。それでも比較できるものなのでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！今回の論文はまさにそこを扱っています。結論から言うと、信号のずれだけでなく、位相のシフトやスケール、さらにはピークの挿入・除去といった変化がある場合に、どのDTWの変種が有効かを合成データで体系的に評価しているのです。説明のペースを調整すると、まずは合成（synthetic）データで“どの変化を入れたか”を明確にしてから比較する流れですよ。

田中専務

これって要するに、実際の現場データでどの手法が効くかを試す前に、意図的に

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
グロッキングにおけるシャープネスの測定
（Measuring Sharpness in Grokking）
次の記事
極端なビデオ圧縮と予測のための事前学習拡散モデルの利用
（EXTREME VIDEO COMPRESSION WITH PREDICTION USING PRE-TRAINED DIFFUSION MODELS）
関連記事
音節リズムに基づく話者埋め込みの抽出 — Speech Rhythm-Based Speaker Embeddings Extraction from Phonemes and Phoneme Duration for Multi-Speaker Speech Synthesis
手書きと印刷文の分離
（Handwritten and Printed Text Separation in Real Document）
クラウドベース電子健康記録によるリアルタイム地域別インフルエンザ監視
（Cloud-based Electronic Health Records for Real-time, Region-specific Influenza Surveillance）
物体ベースの推論によるVQA
(Object-based reasoning in VQA)
オントロジー対応の構造的重み付け
（STRUCTURAL WEIGHTS IN ONTOLOGY MATCHING）
オンデバイス学習のための低ランク分解を超える近道アプローチ
（Beyond Low-rank Decomposition: A Shortcut Approach for Efficient On-Device Learning）
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
音声認識のためのリソース配慮型音声視覚結合ネットワーク設計
(Resource Aware Design of a Deep Convolutional-Recurrent Neural Network for Speech Recognition through Audio-Visual Sensor Fusion)
  • 論文研究
独立再帰ニューラルネットワーク
（IndRNN）：より長く、より深いRNNの構築（Independently Recurrent Neural Network (IndRNN): Building A Longer and Deeper RNN）
  • 論文研究
異種時系列イベントの共同表現学習による臨床エンドポイント予測
（Learning the Joint Representation of Heterogeneous Temporal Events for Clinical Endpoint Prediction）
  • 論文研究
整数計画による低ランクブーリアン行列近似
（Low-Rank Boolean Matrix Approximation by Integer Programming）
  • 論文研究
高ダイナミックレンジ動画の視覚的顕著性融合の学習モデル
（A Learning-Based Visual Saliency Fusion Model for High Dynamic Range Video）
  • 論文研究
オメガ・ケンタウリの深部X線サーベイ
（A Deep X-ray Survey of the Globular Cluster Omega Centauri）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む