論文の概要: Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook

• arxiv url: http://arxiv.org/abs/2310.10196v2
• Date: Fri, 20 Oct 2023 12:17:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 02:30:48.250095
• Title: Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook
• Title（参考訳）: 時系列と時空間データのための大規模モデル:調査と展望
• Authors: Ming Jin, Qingsong Wen, Yuxuan Liang, Chaoli Zhang, Siqiao Xue, Xue Wang, James Zhang, Yi Wang, Haifeng Chen, Xiaoli Li, Shirui Pan, Vincent S. Tseng, Yu Zheng, Lei Chen, Hui Xiong
• Abstract要約: 時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
• 参考スコア（独自算出の注目度）: 95.32949323258251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal data, notably time series and spatio-temporal data, are prevalent in real-world applications. They capture dynamic system measurements and are produced in vast quantities by both physical and virtual sensors. Analyzing these data types is vital to harnessing the rich information they encompass and thus benefits a wide range of downstream tasks. Recent advances in large language and other foundational models have spurred increased use of these models in time series and spatio-temporal data mining. Such methodologies not only enable enhanced pattern recognition and reasoning across diverse domains but also lay the groundwork for artificial general intelligence capable of comprehending and processing common temporal data. In this survey, we offer a comprehensive and up-to-date review of large models tailored (or adapted) for time series and spatio-temporal data, spanning four key facets: data types, model categories, model scopes, and application areas/tasks. Our objective is to equip practitioners with the knowledge to develop applications and further research in this underexplored domain. We primarily categorize the existing literature into two major clusters: large models for time series analysis (LM4TS) and spatio-temporal data mining (LM4STD). On this basis, we further classify research based on model scopes (i.e., general vs. domain-specific) and application areas/tasks. We also provide a comprehensive collection of pertinent resources, including datasets, model assets, and useful tools, categorized by mainstream applications. This survey coalesces the latest strides in large model-centric research on time series and spatio-temporal data, underscoring the solid foundations, current advances, practical applications, abundant resources, and future research opportunities.
• Abstract（参考訳）: 時系列データ(特に時系列データと時空間データ)は現実世界で広く使われている。 動的システムの測定をキャプチャし、物理センサーと仮想センサーの両方で大量に生成される。 これらのデータ型を分析することは、それらが含む豊富な情報を活用する上で不可欠である。 大規模言語やその他の基礎モデルの最近の進歩は、時系列や時空間データマイニングにおけるこれらのモデルの利用を加速させてきた。 このような手法は、パターン認識の強化と様々な領域にわたる推論を可能にするだけでなく、一般的な時間データの理解と処理が可能な人工知能の基礎となる。 本研究では,時系列データと時空間データに対応する大規模モデルについて,データ型,モデルカテゴリ,モデルスコープ,アプリケーション領域/タスクという4つの重要なファセットにまたがる包括的かつ最新のレビューを行う。 我々の目的は、この未調査領域における応用とさらなる研究の知識を実践者に与えることである。 本稿では,既存の文献を時系列解析のための大規模モデル (LM4TS) と時空間データマイニング (LM4STD) の2つの主要なクラスタに分類する。 そこで本研究では、モデルスコープ(一般対ドメイン固有)とアプリケーション領域/タスクに基づく研究をさらに分類する。 また、主要なアプリケーションによって分類されたデータセット、モデル資産、有用なツールを含む、関連するリソースの包括的なコレクションも提供します。 この調査は、時系列と時空間データに関する大規模なモデル中心の研究において、基盤、現在の進歩、実践的応用、豊富な資源、そして将来の研究機会を浮き彫りにしている。

関連論文リスト

• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• A Survey of Time Series Foundation Models: Generalizing Time Series Representation with Large Language Model [33.17908422599714]
  大規模な言語基盤モデルは、クロスタスク転送性、ゼロショット/フェーショット学習、意思決定説明性といった機能を公開した。 主な研究線は2つあり、例えば、時系列のためにゼロから事前訓練された基礎モデルと、時系列のために大きな言語基盤モデルを適用することである。 本調査は,関連研究の総合的な調査を行うための3E分析フレームワークを提供する。
  論文  参考訳（メタデータ） (2024-05-03T03:12:55Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Review of Data-centric Time Series Analysis from Sample, Feature, and Period [37.33135447969283]
  優れた時系列データセットは、モデルの正確性、堅牢性、収束性に有利である。 データ中心AIの出現は、モデルの改良からデータ品質の優先順位付けへの展望の変化を表している。 時系列分析において,様々なデータ中心の手法を体系的に検討し,幅広い研究トピックを取り上げている。
  論文  参考訳（メタデータ） (2024-04-24T00:34:44Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
  グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。 本稿では、時間領域におけるGNNの技術と応用について概観する。
  論文  参考訳（メタデータ） (2023-05-30T02:27:17Z)
• Statistical Deep Learning for Spatial and Spatio-Temporal Data [0.0]
  本稿では,空間的・時間的データをモデル化するための統計的・機械学習的な視点について概観する。 次に、最近、潜在プロセス、データ、パラメータ仕様のために開発された様々なハイブリッドモデルに焦点を当てます。 これらのハイブリッドモデルは、モデリングパラダイムの強みを活用するために、モデリングアイデアとディープニューラルネットワークモデルを統合する。
  論文  参考訳（メタデータ） (2022-06-05T16:49:10Z)
• A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
  オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。 本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。 本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-21T13:12:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。