A Survey on Deep Learning based Time Series Analysis with Frequency Transformation

要約

最近、時系列分析における最先端の精度と効率を大幅に向上させるために、周波数変換 (FT) が深層学習モデルに組み込まれることが増えています。
高効率やグローバルな視点などの FT の利点は、さまざまな時系列タスクやアプリケーションで急速に探究され、活用されており、時系列分析の新しい深層学習パラダイムとしての FT の有望な可能性が実証されています。
この新興分野での注目の高まりと研究の急増にもかかわらず、FT を使用した深層学習ベースの時系列モデルの体系的なレビューと詳細な分析が現時点では不足しています。
また、なぜ FT が時系列分析を強化できるのか、またこの分野での限界は何なのかも不明です。
これらのギャップに対処するために、FT を使用した深層学習ベースの時系列分析における最近の研究の進歩を体系的に調査し、要約した包括的なレビューを紹介します。
具体的には、FT を組み込んだ現在のモデルで使用されている主なアプローチ、FT を利用するニューラル ネットワークの種類、および深い時系列分析における代表的な FT 搭載モデルを調査します。
私たちは、この分野の既存の手法を分類するための新しい分類法を提案し、時系列分析のための深層学習モデルに FT を組み込む際に使用される多様なアプローチの構造化された概要を提供します。
最後に、時系列モデリングにおける FT の利点と限界を強調し、時系列分析コミュニティにさらに貢献できる可能性のある将来の研究の方向性を特定します。

要約(オリジナル)

Recently, frequency transformation (FT) has been increasingly incorporated into deep learning models to significantly enhance state-of-the-art accuracy and efficiency in time series analysis. The advantages of FT, such as high efficiency and a global view, have been rapidly explored and exploited in various time series tasks and applications, demonstrating the promising potential of FT as a new deep learning paradigm for time series analysis. Despite the growing attention and the proliferation of research in this emerging field, there is currently a lack of a systematic review and in-depth analysis of deep learning-based time series models with FT. It is also unclear why FT can enhance time series analysis and what its limitations in the field are. To address these gaps, we present a comprehensive review that systematically investigates and summarizes the recent research advancements in deep learning-based time series analysis with FT. Specifically, we explore the primary approaches used in current models that incorporate FT, the types of neural networks that leverage FT, and the representative FT-equipped models in deep time series analysis. We propose a novel taxonomy to categorize the existing methods in this field, providing a structured overview of the diverse approaches employed in incorporating FT into deep learning models for time series analysis. Finally, we highlight the advantages and limitations of FT for time series modeling and identify potential future research directions that can further contribute to the community of time series analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google