論文の概要: Time-MMD: A New Multi-Domain Multimodal Dataset for Time Series Analysis

• arxiv url: http://arxiv.org/abs/2406.08627v2
• Date: Wed, 30 Oct 2024 02:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:24:50.270542
• Title: Time-MMD: A New Multi-Domain Multimodal Dataset for Time Series Analysis
• Title（参考訳）: Time-MMD:時系列解析のための新しいマルチドメインマルチモーダルデータセット
• Authors: Haoxin Liu, Shangqing Xu, Zhiyuan Zhao, Lingkai Kong, Harshavardhan Kamarthi, Aditya B. Sasanur, Megha Sharma, Jiaming Cui, Qingsong Wen, Chao Zhang, B. Aditya Prakash,
• Abstract要約: Time-MMDは、最初のマルチドメイン、マルチモーダル時系列データセットである。 MM-TSFlibは、最初のマルチモーダル時系列予測ライブラリである。
• 参考スコア（独自算出の注目度）: 40.44013652777716
• License:
• Abstract: Time series data are ubiquitous across a wide range of real-world domains. While real-world time series analysis (TSA) requires human experts to integrate numerical series data with multimodal domain-specific knowledge, most existing TSA models rely solely on numerical data, overlooking the significance of information beyond numerical series. This oversight is due to the untapped potential of textual series data and the absence of a comprehensive, high-quality multimodal dataset. To overcome this obstacle, we introduce Time-MMD, the first multi-domain, multimodal time series dataset covering 9 primary data domains. Time-MMD ensures fine-grained modality alignment, eliminates data contamination, and provides high usability. Additionally, we develop MM-TSFlib, the first multimodal time-series forecasting (TSF) library, seamlessly pipelining multimodal TSF evaluations based on Time-MMD for in-depth analyses. Extensive experiments conducted on Time-MMD through MM-TSFlib demonstrate significant performance enhancements by extending unimodal TSF to multimodality, evidenced by over 15% mean squared error reduction in general, and up to 40% in domains with rich textual data. More importantly, our datasets and library revolutionize broader applications, impacts, research topics to advance TSA. The dataset and library are available at https://github.com/AdityaLab/Time-MMD and https://github.com/AdityaLab/MM-TSFlib.
• Abstract（参考訳）: 時系列データは、広範囲の現実世界のドメインにまたがってユビキタスである。 実世界の時系列分析(TSA)では、人間の専門家が数値データとマルチモーダルなドメイン固有知識を統合する必要があるが、既存のTSAモデルは数値データにのみ依存しており、数値列を超えた情報の重要性を見越している。 この監視は、テキスト系列データの未使用の可能性と、包括的で高品質なマルチモーダルデータセットが欠如しているためである。 この障害を克服するために、9つの主要なデータ領域をカバーする最初のマルチドメインマルチモーダル時系列データセットであるTime-MMDを導入する。 Time-MMDは微粒なモダリティアライメントを確保し、データの汚染を排除し、高いユーザビリティを提供する。 さらに,TSFライブラリとして最初のマルチモーダル時系列予測ライブラリであるMM-TSFlibを開発した。 MM-TSFlib を用いた Time-MMD で行った大規模な実験では,マルチモーダル TSF をマルチモーダルに拡張し,平均2乗誤差を 15% 以上削減し,リッチテキストデータを持つ領域で最大40% の精度向上を実証した。 さらに重要なのは、私たちのデータセットとライブラリが、TSAを前進させるための広範なアプリケーション、影響、研究トピックに革命をもたらしています。 データセットとライブラリはhttps://github.com/AdityaLab/Time-MMDとhttps://github.com/AdityaLab/MM-TSFlibで入手できる。

関連論文リスト

• See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
  時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。 本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
  論文  参考訳（メタデータ） (2024-11-04T10:28:41Z)
• MINT-1T: Scaling Open-Source Multimodal Data by 10x: A Multimodal Dataset with One Trillion Tokens [113.9621845919304]
  MINT-1Tは最も広く多様なオープンソースMultimodal INTerleavedデータセットです。 MINT-1Tは1兆個のテキストトークンと340億の画像で構成され、既存のオープンソースデータセットの10倍のスケールアップである。 実験の結果,MINT-1TでトレーニングしたLMMは,以前の先行データセット OBELICS でトレーニングしたモデルの性能に匹敵することがわかった。
  論文  参考訳（メタデータ） (2024-06-17T07:21:36Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Advancing multivariate time series similarity assessment: an integrated computational approach [0.0]
  多変量時系列データの類似性を評価するための統合計算手法を提案する。 MTASAは時系列アライメントを最適化するために設計され、マルチプロセッシングエンジンによって補完される。 MTASAは既存の最先端統合フレームワークに比べて約1.5倍の精度と2倍の速度を実現している。
  論文  参考訳（メタデータ） (2024-03-16T23:52:25Z)
• Temporal Treasure Hunt: Content-based Time Series Retrieval System for Discovering Insights [34.1973242428317]
  時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。 Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。 我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-11-05T04:12:13Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
  時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。 本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T09:08:57Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry [0.0]
  本研究は、特定の資産に基づく歴史的データ(ソース・ドメイン)を1つの参照資産(ターゲット・ドメイン)に対応するデータに変換することに焦点を当てる。 本稿では,CycleGAN に基づく多変量時系列データのアルゴリズム MTS-CycleGAN を提案する。 我々の貢献は、Long Short-Term Memory(LSTM)ベースのジェネレータと積み重ねLSTMベースの識別器のためのAutoEncoder(AE)のCycleGANアーキテクチャの統合である。
  論文  参考訳（メタデータ） (2020-07-15T07:33:25Z)

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。