Performance of Extracting Correlati

Performance of Extracting Correlations
In Figure 11 we compare the time needed to extract correlation intervals using the same setup as in our accuracy evaluation.
In the top chart, we report average times for the proposed methods using sliding and ﬁxed time intervals (left), and the top-k technique (right). The time needed to compute correlations using sliding time intervals is approximately one third larger than the time taken by a ﬁxed-interval method, since the prior needs to incrementally compute and compare correlations for two intervals: one is a ﬁxed-length interval, sliding in front of the cursor, and another one is a dynamically expanding interval behind the cursor. The time of base line methods remains fairly large since they compute correlations for a set proportional to|L×L|.
In the bottom chart, we demonstrate the effect of hierarchical pruning for ﬁxed-interval correlations and compare it to the grid hashing correlation pruning used by Stat Stream [21]. We note that Stat Stream cannot be applied for sliding-interval correlations when sliding intervals among time series are of different lengths, as in our method. Moreover, the kind of time series approximation used in Stat Stream cannot be used for bounded sentiments, where it results in numerous false positives at shorter interval lengths.
Both methods lead to signiﬁcantly improved execution times in comparison to base line methods, with hierarchical exhibiting better relative performance. The advantage of our method on highly correlated data is more pronounced with lower correlation thresholds, when maximality constraints allow earlier pruning. On the other hand, Stat Stream’s performance beneﬁts from better selectivity of higher thresholds and when time series are sparsely correlated, making it a good complementary approach.
Overall, we observe that the best performance is achieved by top-k correlations, which we report in both charts (with and without hierarchical pruning) for varying top-k sizes (16, 8 and 4 disk pages). It is evident, that top-k method is much faster even in the case of larger top-k sizes, where it matches the accuracy of direct methods. Furthermore, the top-k method demonstrates sub-linear scalability, sustaining almost the same performance even with exponentially increasing top-k sizes.

Performance of Extracting Correlations 
In Figure 11 we compare the time needed to extract correlation intervals using the same setup as in our accuracy evaluation.
In the top chart, we report average times for the proposed methods using sliding and ﬁxed time intervals (left), and the top-k technique (right). The time needed to compute correlations using sliding time intervals is approximately one third larger than the time taken by a ﬁxed-interval method, since the prior needs to incrementally compute and compare correlations for two intervals: one is a ﬁxed-length interval, sliding in front of the cursor, and another one is a dynamically expanding interval behind the cursor. The time of base line methods remains fairly large since they compute correlations for a set proportional to|L×L|. 
In the bottom chart, we demonstrate the effect of hierarchical pruning for ﬁxed-interval correlations and compare it to the grid hashing correlation pruning used by Stat Stream [21]. We note that Stat Stream cannot be applied for sliding-interval correlations when sliding intervals among time series are of different lengths, as in our method. Moreover, the kind of time series approximation used in Stat Stream cannot be used for bounded sentiments, where it results in numerous false positives at shorter interval lengths. 
Both methods lead to signiﬁcantly improved execution times in comparison to base line methods, with hierarchical exhibiting better relative performance. The advantage of our method on highly correlated data is more pronounced with lower correlation thresholds, when maximality constraints allow earlier pruning. On the other hand, Stat Stream’s performance beneﬁts from better selectivity of higher thresholds and when time series are sparsely correlated, making it a good complementary approach. 
Overall, we observe that the best performance is achieved by top-k correlations, which we report in both charts (with and without hierarchical pruning) for varying top-k sizes (16, 8 and 4 disk pages). It is evident, that top-k method is much faster even in the case of larger top-k sizes, where it matches the accuracy of direct methods. Furthermore, the top-k method demonstrates sub-linear scalability, sustaining almost the same performance even with exponentially increasing top-k sizes.

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

Performance of Extracting Correlations In Figure 11 we compare the time needed to extract correlation intervals using the same setup as in our accuracy evaluation.In the top chart, we report average times for the proposed methods using sliding and ﬁxed time intervals (left), and the top-k technique (right). The time needed to compute correlations using sliding time intervals is approximately one third larger than the time taken by a ﬁxed-interval method, since the prior needs to incrementally compute and compare correlations for two intervals: one is a ﬁxed-length interval, sliding in front of the cursor, and another one is a dynamically expanding interval behind the cursor. The time of base line methods remains fairly large since they compute correlations for a set proportional to|L×L|. In the bottom chart, we demonstrate the effect of hierarchical pruning for ﬁxed-interval correlations and compare it to the grid hashing correlation pruning used by Stat Stream [21]. We note that Stat Stream cannot be applied for sliding-interval correlations when sliding intervals among time series are of different lengths, as in our method. Moreover, the kind of time series approximation used in Stat Stream cannot be used for bounded sentiments, where it results in numerous false positives at shorter interval lengths. Both methods lead to signiﬁcantly improved execution times in comparison to base line methods, with hierarchical exhibiting better relative performance. The advantage of our method on highly correlated data is more pronounced with lower correlation thresholds, when maximality constraints allow earlier pruning. On the other hand, Stat Stream’s performance beneﬁts from better selectivity of higher thresholds and when time series are sparsely correlated, making it a good complementary approach. Overall, we observe that the best performance is achieved by top-k correlations, which we report in both charts (with and without hierarchical pruning) for varying top-k sizes (16, 8 and 4 disk pages). It is evident, that top-k method is much faster even in the case of larger top-k sizes, where it matches the accuracy of direct methods. Furthermore, the top-k method demonstrates sub-linear scalability, sustaining almost the same performance even with exponentially increasing top-k sizes.

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

ผลการดำเนินงานของการแยกความสัมพันธ์
ในรูปที่ 11 เราเปรียบเทียบเวลาที่จำเป็นในการสกัดช่วงเวลาที่ความสัมพันธ์โดยใช้การตั้งค่าเช่นเดียวกับในการประเมินความถูกต้องของเรา.
ในแผนภูมิด้านบนเรารายงานครั้งเฉลี่ยสำหรับวิธีการที่นำเสนอโดยใช้เลื่อนและช่วงเวลาที่คงที่ (ซ้าย) และ เทคนิคด้านบน-K (ขวา) เวลาที่จำเป็นในการคำนวณความสัมพันธ์โดยใช้การเลื่อนช่วงเวลาที่เป็นที่สามวิธีการขนาดใหญ่กว่าเวลาที่ถ่ายโดย Fi คง-ช่วงเวลาประมาณหนึ่งเนื่องจากความต้องการก่อนที่จะเพิ่มปริมาณการคำนวณและเปรียบเทียบความสัมพันธ์สองช่วงเวลาหนึ่งคือช่วงเวลาที่คงที่ยาวเลื่อน ด้านหน้าของเคอร์เซอร์และอีกคนหนึ่งเป็นช่วงแบบไดนามิกที่อยู่เบื้องหลังการขยายเคอร์เซอร์ เวลาของการวิธีเส้นฐานยังคงค่อนข้างใหญ่ตั้งแต่พวกเขาคำนวณความสัมพันธ์สำหรับชุดสัดส่วนกับ | L × L. |
ในแผนภูมิด้านล่างเราแสดงให้เห็นถึงผลกระทบของการตัดแต่งกิ่งลำดับชั้นสำหรับ Fi ความสัมพันธ์คง-ช่วงเวลาและเปรียบเทียบกับตาราง hashing การตัดแต่งกิ่งสัมพันธ์ โดยใช้สถิติสตรีม [21] เราทราบว่าสถิติของสตรีมไม่สามารถนำมาใช้สำหรับความสัมพันธ์เลื่อนช่วงเวลาเมื่อช่วงเวลาเลื่อนหมู่อนุกรมเวลาที่มีความยาวแตกต่างกันในขณะที่วิธีการของเรา นอกจากนี้ชนิดของชุดประมาณเวลาที่ใช้ในการ Stat สตรีมไม่สามารถนำมาใช้สำหรับความรู้สึกขอบเขตที่มันจะส่งผลในผลบวกปลอมจำนวนมากที่มีความยาวช่วงสั้น.
ทั้งสองวิธีนำไปสู่การมีนัยสำคัญ Fi อย่างมีการปรับปรุงเวลาการดำเนินการในการเปรียบเทียบกับวิธีเส้นฐานที่มีลำดับชั้นการแสดงที่ดีขึ้น ประสิทธิภาพเชิงสัมพัทธ์ ข้อดีของวิธีของเราเกี่ยวกับข้อมูลความสัมพันธ์อย่างมากเด่นชัดมากขึ้นกับความสัมพันธ์เกณฑ์ที่ต่ำกว่าเมื่อข้อ จำกัด maximality อนุญาตให้ตัดแต่งกิ่งที่ก่อนหน้านี้ บนมืออื่น ๆ , สถิติลำธาร TS ประสิทธิภาพ Bene Fi จากการคัดสรรที่ดีขึ้นของเกณฑ์ที่สูงขึ้นและเมื่อมีเวลามีความสัมพันธ์เบาบางทำให้มันเป็นวิธีการเสริมที่ดี.
โดยรวมแล้วเราสังเกตได้ว่าประสิทธิภาพการทำงานที่ดีที่สุดคือการประสบความสำเร็จโดยมีความสัมพันธ์ด้านบน-K ซึ่งเรารายงาน ทั้งชาร์ต (ที่มีและไม่มีการตัดแต่งกิ่งลำดับชั้น) สำหรับขนาดแตกต่างกันด้านบน-K (16, 8 และ 4 หน้าดิสก์) จะเห็นได้ว่าวิธี top-K ได้เร็วขึ้นมากแม้ในกรณีที่มีขนาดใหญ่กว่าขนาดที่ด้านบน-K ที่มันตรงกับความถูกต้องของวิธีการโดยตรง นอกจากนี้วิธี top-K แสดงให้เห็นถึงการขยายระบบย่อยเชิงเส้นอย่างยั่งยืนเกือบประสิทธิภาพเช่นเดียวแม้จะมีการชี้แจงการเพิ่มขนาดด้านบน-K

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

ประสิทธิภาพของการแยกความสัมพันธ์ในรูปที่ 11 เราเปรียบเทียบเวลาที่ใช้ในการแยกช่วงความสัมพันธ์โดยใช้การตั้งค่าเดียวกันในการประเมินความถูกต้องของเราในแผนภูมิด้านบนเรารายงานเวลาเฉลี่ยสำหรับเสนอใช้วิธีเลื่อนและจึง xed ช่วงเวลา ( ซ้าย ) และ top-k เทคนิค ( ขวา ) เวลาที่ใช้คำนวณค่าความสัมพันธ์โดยใช้เลื่อนช่วงเวลาประมาณหนึ่งในสาม มีขนาดใหญ่กว่าเวลาที่ถ่ายโดยจึง xed วิธีช่วง เนื่องจากความต้องการก่อนแบบเพิ่มหน่วยคํานวณและเปรียบเทียบความสัมพันธ์สองช่วง หนึ่งคือจึง xed ความยาวของช่วงเลื่อนด้านหน้าของเคอร์เซอร์ และอีกหนึ่งเป็นแบบไดนามิกขยายช่วงหลัง เคอร์เซอร์ เวลาของวิธีการพื้นฐานยังคงค่อนข้างใหญ่เนื่องจากการคำนวณความสัมพันธ์สำหรับชุดสัดส่วน | L ×ผม | .ในแผนภูมิด้านล่าง เราแสดงให้เห็นถึงผลของการตัดแต่งกิ่งเพื่อถ่ายทอด xed ช่วงความสัมพันธ์และเปรียบเทียบกับตารางความสัมพันธ์การ hashing ใช้ stat กระแส [ 21 ] เราทราบว่าไม่สามารถเลื่อนช่วงเวลากระแส stat ใช้ความสัมพันธ์เมื่อเลื่อนช่วงเวลาของอนุกรมเวลาที่มีความยาวแตกต่างกัน เช่นเดียวกับวิธีการของเรา นอกจากนี้ชนิดของเวลาที่ใช้ในชุดประมาณกระแส stat ไม่ได้ใช้ล้อมรอบความรู้สึกที่ส่งผลบวกเท็จมากมายในช่วงเวลาสั้นความยาวทั้งสองวิธีนำไปสู่การปรับปรุงการ signi จึงลดลงอย่างมีนัยสําคัญเมื่อครั้งในการเปรียบเทียบกับฐานวิธีการบรรทัดกับญาติลำดับชั้นแสดงดีประสิทธิภาพ ประโยชน์ของวิธีการของเราในระดับสูงเป็นข้อมูลเพิ่มเติมชัดเจนกับเกณฑ์ความสัมพันธ์ลดลง เมื่อข้อจำกัด maximality ให้ก่อนตัด บนมืออื่น ๆ , stat ของ TS จากประสิทธิภาพกระแสดีจึงเลือกที่ดีของธรณีประตูที่สูงขึ้นและเมื่ออนุกรมเวลามีความเบาบางทำให้ดีเสริมเข้าไปโดยรวม เราสังเกตว่าผลงานที่ดีที่สุดได้โดย top-k ความสัมพันธ์ซึ่งเรารายงานทั้งในแผนภูมิที่มีและไม่มีการตัดแต่งกิ่ง ) สำหรับการ top-k ขนาด ( 16 , 8 และ 4 หน้าดิสก์ ) จะเห็นได้ว่า top-k วิธีมากเร็วแม้ในกรณีของขนาด top-k ขนาดใหญ่ ที่มันตรงกับ ความถูกต้องของวิธีการโดยตรง นอกจากนี้ top-k วิธีสาธิตระบบย่อยเชิงเส้น รักษาเกือบเดียวกันประสิทธิภาพแม้ว่าชี้แจงเพิ่ม top-k ขนาด

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.