論文の概要: Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data
- arxiv url: http://arxiv.org/abs/2410.00312v1
- Date: Tue, 1 Oct 2024 01:20:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 06:26:14.699946
- Title: Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data
- Title（参考訳）: 極端に不均衡な多変量時系列データによる太陽フレア予測のためのコントラスト表現学習
- Authors: Onur Vural, Shah Muhammad Hamdi, Soukaina Filali Boubrahimi,
- Abstract要約: 太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。
本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。
提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
- 参考スコア（独自算出の注目度）: 1.024113475677323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Major solar flares are abrupt surges in the Sun's magnetic flux, presenting significant risks to technological infrastructure. In view of this, effectively predicting major flares from solar active region magnetic field data through machine learning methods becomes highly important in space weather research. Magnetic field data can be represented in multivariate time series modality where the data displays an extreme class imbalance due to the rarity of major flare events. In time series classification-based flare prediction, the use of contrastive representation learning methods has been relatively limited. In this paper, we introduce CONTREX, a novel contrastive representation learning approach for multivariate time series data, addressing challenges of temporal dependencies and extreme class imbalance. Our method involves extracting dynamic features from the multivariate time series instances, deriving two extremes from positive and negative class feature vectors that provide maximum separation capability, and training a sequence representation embedding module with the original multivariate time series data guided by our novel contrastive reconstruction loss to generate embeddings aligned with the extreme points. These embeddings capture essential time series characteristics and enhance discriminative power. Our approach shows promising solar flare prediction results on the Space Weather Analytics for Solar Flares (SWAN-SF) multivariate time series benchmark dataset against baseline methods.
- Abstract（参考訳）: 太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。
これを踏まえて、太陽活動領域の磁場データから機械学習手法による大きなフレアを効果的に予測することは、宇宙気象研究において非常に重要である。
磁場データは多変量時系列で表すことができ、そこでは大きなフレア現象の希少さのために、データが極端にクラス不均衡を示す。
時系列分類に基づくフレア予測では、コントラスト表現学習法の使用は比較的制限されている。
本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介し,時間的依存関係と極端なクラス不均衡の課題に対処する。
提案手法では,複数変数の時系列インスタンスから動的特徴を抽出し,最大分離能力を有する正と負のクラス特徴ベクトルから2つの極端を抽出し,新たなコントラスト再構成損失によって導かれる元の多変量時系列データを用いてシーケンス表現埋め込みモジュールをトレーニングし,極端点に整合した埋め込みを生成する。
これらの埋め込みは本質的な時系列特性を捉え、識別力を高める。
提案手法は, 太陽フレアに関する宇宙気象分析 (SWAN-SF) 多変量時系列ベンチマークにおいて, ベースライン法に対して有望な太陽フレア予測結果を示すものである。
関連論文リスト
- Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Enhancing Multivariate Time Series-based Solar Flare Prediction with Multifaceted Preprocessing and Contrastive Learning [0.9374652839580181]
正確な太陽フレア予測は、宇宙飛行士、宇宙機器、衛星通信システムに強い太陽フレアがもたらす重大なリスクのために重要である。
本研究は、先進的なデータ前処理と分類手法を利用して、太陽フレア予測を強化する。
論文 参考訳（メタデータ） (2024-09-21T05:00:34Z) - Class-Based Time Series Data Augmentation to Mitigate Extreme Class Imbalance for Solar Flare Prediction [1.4272411349249625]
時系列データは、さまざまな領域において重要な役割を担い、意思決定と予測モデリングに価値がある。
機械学習(ML)とディープラーニング(DL)はこの点において有望だが、パフォーマンスはデータ品質と量に依存している。
データ拡張技術は、これらの課題に対処するための潜在的な解決策を提供するが、多変量時系列データセットに対するそれらの効果は、まだ探索されていない。
論文 参考訳（メタデータ） (2024-05-31T03:03:19Z) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳（メタデータ） (2024-02-25T17:39:44Z) - Active Region-based Flare Forecasting with Sliding Window Multivariate
Time Series Forest Classifiers [0.0]
我々は、高次元データに使用される複雑で理解できないブラックボックスモデルと関連するサブインターバルの探索の間のギャップを橋渡しする。
本研究は, 太陽フレア予測において, 風下時系列森林分類器が有効であることを示す。
論文 参考訳（メタデータ） (2024-02-05T19:34:12Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Test-Time Compensated Representation Learning for Extreme Traffic
Forecasting [13.859278899032846]
混雑とラッシュアワーは、隣接する時間帯に様々な交差点で車両の速度の相関が低くなる可能性がある。
既存の手法では、テストフェーズ中に、最近および完全に分解されたトレーニングデータに基づいて、将来のシリーズを予測するのが一般的である。
マルチヘッド空間トランスモデルを用いたテスト時間表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-16T18:46:34Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - A Differential Attention Fusion Model Based on Transformer for Time
Series Forecasting [4.666618110838523]
時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。
一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。
既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
論文 参考訳（メタデータ） (2022-02-23T10:33:12Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。