論文の概要: A Wave is Worth 100 Words: Investigating Cross-Domain Transferability in Time Series

• arxiv url: http://arxiv.org/abs/2412.00772v1
• Date: Sun, 01 Dec 2024 11:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:49:29.155617
• Title: A Wave is Worth 100 Words: Investigating Cross-Domain Transferability in Time Series
• Title（参考訳）: A Wave is Worth 100 Words: Investigationing cross-Domain Transferability in Time Series
• Authors: Xiangkai Ma, Xiaobin Hong, Wenzhong Li, Sanglu Lu,
• Abstract要約: 本稿では、ウェーブ量子化(WQ4TS)に基づく新しいクロスドメイン事前学習手法を提案する。 我々は、異なる領域からの時系列データを共通のスペクトル潜在空間に転送し、モデルが共通の空間から直接異なる領域の時間的パターン知識を学習できるようにする。 提案されたWQ4TSは全タスクの87.5%で最高のパフォーマンスを達成し、全てのタスクにおけるメトリクスの平均的な改善は34.7%である。
• 参考スコア（独自算出の注目度）: 13.555837288440946
• License:
• Abstract: Time series analysis is a fundamental data mining task that supervised training methods based on empirical risk minimization have proven their effectiveness on specific tasks and datasets. However, the acquisition of well-annotated data is costly and a large amount of unlabeled series data is under-utilized. Due to distributional shifts across various domains and different patterns of interest across multiple tasks. The problem of cross-domain multi-task migration of time series remains a significant challenge. To address these problems, this paper proposes a novel cross-domain pretraining method based on Wave Quantization (termed as WQ4TS), which can be combined with any advanced time series model and applied to multiple downstream tasks. Specifically, we transfer the time series data from different domains into a common spectral latent space, and enable the model to learn the temporal pattern knowledge of different domains directly from the common space and utilize it for the inference of downstream tasks, thereby mitigating the challenge of heterogeneous cross-domains migration. The establishment of spectral latent space brings at least three benefits, cross-domain migration capability thus adapting to zero- and few-shot scenarios without relying on priori knowledge of the dataset, general compatible cross-domain migration framework without changing the existing model structure, and robust modeling capability thus achieving SOTA results in multiple downstream tasks. To demonstrate the effectiveness of the proposed approach, we conduct extensive experiments including three important tasks: forecasting, imputation, and classification. And three common real-world data scenarios are simulated: full-data, few-shot, and zero-shot. The proposed WQ4TS achieves the best performance on 87.5% of all tasks, and the average improvement of the metrics on all the tasks is up to 34.7%.
• Abstract（参考訳）: 時系列分析は、経験的リスク最小化に基づくトレーニング手法を監督する基本的なデータマイニングタスクであり、特定のタスクやデータセットにおいてその効果が証明されている。 しかし、十分な注釈付きデータの取得はコストがかかり、大量のラベル付き直列データが未利用である。 様々なドメインにまたがる分散シフトと、複数のタスクにまたがる異なる関心パターンのためである。 時系列のクロスドメインマルチタスクマイグレーションの問題は依然として大きな課題である。 これらの問題に対処するために,WQ4TS(Wave Quantization)に基づく新しいクロスドメイン事前学習手法を提案する。 具体的には、異なる領域からの時系列データを共通のスペクトル潜在空間に転送し、共通の領域から直接異なる領域の時間パターンの知識を学習し、下流タスクの推論に利用することにより、異種クロスドメインマイグレーションの課題を軽減する。 スペクトル遅延空間の確立は、少なくとも3つのメリットをもたらし、データセットの事前知識に頼ることなく、ゼロおよび少数ショットのシナリオに適応するクロスドメインマイグレーション機能、既存のモデル構造を変更することなく、一般的なクロスドメインマイグレーションフレームワーク、複数のダウンストリームタスクでSOTA結果を達成するロバストなモデリング機能を提供する。 提案手法の有効性を示すために,予測,計算,分類の3つの重要な課題を含む広範な実験を行った。 そして、実世界の3つの一般的なデータシナリオがシミュレートされている。 提案されたWQ4TSは全タスクの87.5%で最高のパフォーマンスを達成し、全てのタスクにおけるメトリクスの平均的な改善は34.7%である。

関連論文リスト

• One for All: Multi-Domain Joint Training for Point Cloud Based 3D Object Detection [71.78795573911512]
  textbfOneDet3Dは、異なるドメイン間での3D検出に対処する汎用的なワン・ツー・オール・モデルである。 本稿では、データ干渉問題に対処するため、ルーティング機構によって誘導される散乱とコンテキストにおけるドメイン認識を提案する。 完全なスパース構造とアンカーフリーヘッドは、さらに大きなスケールの差のある点雲を収容する。
  論文  参考訳（メタデータ） (2024-11-03T14:21:56Z)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  一般時系列解析のためのオープンモデルであるOTiSを紹介する。 本稿では,学習可能なドメイン固有シグネチャを持つトークンマイザを含む,新しい事前学習パラダイムを提案する。 我々のモデルは、8つの異なるドメインにまたがる640,187個のサンプルと11億個のタイムポイントからなる大規模なコーパスで事前訓練されている。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
  Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。 マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。 ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:50Z)
• 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)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• NuwaTS: a Foundation Model Mending Every Incomplete Time Series [24.768755438620666]
  textbfNuwaTSは,事前学習型言語モデルを用いて時系列計算を行う新しいフレームワークである。 NuwaTSは、任意のドメインにまたがる欠落したデータをインプットするために適用することができる。 我々はNuwaTSが予測などの他の時系列タスクに一般化していることを示す。
  論文  参考訳（メタデータ） (2024-05-24T07:59:02Z)
• UniCL: A Universal Contrastive Learning Framework for Large Time Series Models [18.005358506435847]
  時系列分析は、金融から医療まで、さまざまな重要なアプリケーションにおいて重要な役割を果たす。 従来の教師付き学習手法は、まず各タスクにおける時系列データの広範なラベルを注釈付けする。 本稿では,時系列基礎モデルの事前学習を目的とした,普遍的でスケーラブルなコントラスト学習フレームワークUniCLを紹介する。
  論文  参考訳（メタデータ） (2024-05-17T07:47:11Z)
• Cross-Domain Pre-training with Language Models for Transferable Time Series Representations [32.8353465232791]
  CrossTimeNetは、さまざまなドメインから転送可能な知識を学ぶための、新しいクロスドメインSSL学習フレームワークである。 CrossTimeNetの重要な特徴の1つは、新しく設計された時系列トークン化モジュールである。 我々は、様々な時系列分類領域にわたる実世界のシナリオにおいて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-03-19T02:32:47Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Cross-domain Time Series Forecasting with Attention Sharing [10.180248006928107]
  本稿では,データ不足問題に対処する新しいドメイン適応フレームワークであるDomain Adaptation Forecaster(DAF)を提案する。 特に、ドメイン間のドメイン識別器と、個々のドメインに対するプリベートモジュールを備えたアテンションベースの共有モジュールを提案する。 これにより、ドメイン固有の機能をトレーニングしながら、ドメイン不変の潜在機能を生成させることで、ソースとターゲットドメインを共同でトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-02-13T00:26:35Z)

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。