Multi-scale Dimensionality Reduction with F-Transforms in Time Series Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F23%3AA2402N58" target="_blank" >RIV/61988987:17610/23:A2402N58 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-031-39774-5_3" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-39774-5_3</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-39774-5_3" target="_blank" >10.1007/978-3-031-39774-5_3</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Multi-scale Dimensionality Reduction with F-Transforms in Time Series Analysis

Popis výsledku v původním jazyce

Our first contribution to this topic is as follows: we show that in the case of large datasets, dimensionality reduction should be divided into several subtasks, determined by the choice of keypoints as centers corresponding to clusters. For specific time series datasets, we connect keypoints to centers that maximize the values of the non-local Laplacians. Moreover, we propose to use the scale space approach and consider a scale-dependent sequence of non-local Laplacians. As a second contribution, we use non-traditional kernels obtained from the theory of F-transforms [11]. This allows to simplify the scaling and selection of keypoints, reduce their number and increase reliability. We also propose a new keypoint descriptor and test it against high volatility financial time series.

Název v anglickém jazyce

Multi-scale Dimensionality Reduction with F-Transforms in Time Series Analysis

Popis výsledku anglicky

Our first contribution to this topic is as follows: we show that in the case of large datasets, dimensionality reduction should be divided into several subtasks, determined by the choice of keypoints as centers corresponding to clusters. For specific time series datasets, we connect keypoints to centers that maximize the values of the non-local Laplacians. Moreover, we propose to use the scale space approach and consider a scale-dependent sequence of non-local Laplacians. As a second contribution, we use non-traditional kernels obtained from the theory of F-transforms [11]. This allows to simplify the scaling and selection of keypoints, reduce their number and increase reliability. We also propose a new keypoint descriptor and test it against high volatility financial time series.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/GA18-06915S" target="_blank" >GA18-06915S: Nové přístupy k agregačním operátorům v analýze a zpracování dat</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Intelligent and Fuzzy Systems. INFUS 2023. Lecture Notes in Networks and Systems, vol 758

ISBN

978-3-031-39773-8

ISSN

—

e-ISSN

—

Počet stran výsledku

13

Strana od-do

22-34

Název nakladatele

Springer Cham

Místo vydání

Switzerland

Místo konání akce

Istanbul

Datum konání akce

22. 8. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—