論文の概要: MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis

• arxiv url: http://arxiv.org/abs/2412.01063v1
• Date: Mon, 02 Dec 2024 02:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:50:21.744061
• Title: MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis
• Title（参考訳）: MuSiCNet: 正規にサンプリングされた多変量時系列解析のための逐次粗大化フレームワーク
• Authors: Jiexi Liu, Meng Cao, Songcan Chen,
• Abstract要約: 我々は、不規則性は本質的にある意味で相対的であるという新しい視点を導入する。 MuSiCNetは、3つのメインストリームタスクでSOTAと一貫して競合するISMTS分析フレームワークである。
• 参考スコア（独自算出の注目度）: 45.34420094525063
• License:
• Abstract: Irregularly sampled multivariate time series (ISMTS) are prevalent in reality. Most existing methods treat ISMTS as synchronized regularly sampled time series with missing values, neglecting that the irregularities are primarily attributed to variations in sampling rates. In this paper, we introduce a novel perspective that irregularity is essentially relative in some senses. With sampling rates artificially determined from low to high, an irregularly sampled time series can be transformed into a hierarchical set of relatively regular time series from coarse to fine. We observe that additional coarse-grained relatively regular series not only mitigate the irregularly sampled challenges to some extent but also incorporate broad-view temporal information, thereby serving as a valuable asset for representation learning. Therefore, following the philosophy of learning that Seeing the big picture first, then delving into the details, we present the Multi-Scale and Multi-Correlation Attention Network (MuSiCNet) combining multiple scales to iteratively refine the ISMTS representation. Specifically, within each scale, we explore time attention and frequency correlation matrices to aggregate intra- and inter-series information, naturally enhancing the representation quality with richer and more intrinsic details. While across adjacent scales, we employ a representation rectification method containing contrastive learning and reconstruction results adjustment to further improve representation consistency. MuSiCNet is an ISMTS analysis framework that competitive with SOTA in three mainstream tasks consistently, including classification, interpolation, and forecasting.
• Abstract（参考訳）: 不規則にサンプリングされた多変量時系列(ISMTS)は現実には一般的である。 既存のほとんどの手法は、ISMTSを、サンプリングレートのばらつきに起因する不規則性を無視した、周期的にサンプリングされた時系列の同期として扱う。 本稿では,不規則性が本質的にある意味で相対的であるという,新しい視点を紹介する。 サンプリングレートを低から高に人工的に決定することで、不規則にサンプリングされた時系列は、比較的規則的な時系列の階層的な集合を粗いものから細かいものへと変換することができる。 我々は、不規則にサンプリングされた課題をある程度緩和するだけでなく、広視野の時間的情報も含み、表現学習の貴重な資産として機能することを観察する。 したがって,まず全体像を見て,その詳細を掘り下げる学習哲学に従って,複数スケールを組み合わせたマルチスケール・マルチ相関注意ネットワーク(MuSiCNet)を提示し,ISMTS表現を反復的に洗練する。 具体的には、各スケールで時間的注意と周波数相関行列を探索し、シリーズ内およびシリーズ間情報を集約し、よりリッチでより本質的な詳細で表現品質を自然に向上させる。 隣り合うスケールにわたって、コントラスト学習と再構成結果調整を含む表現修正手法を用いて、表現整合性をさらに向上する。 MuSiCNetは、分類、補間、予測を含む3つの主要なタスクにおいて、SOTAと一貫して競合するISMTS分析フレームワークである。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• 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)
• MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting [18.192600104502628]
  時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。 MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-12-31T08:23:24Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
  そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。 我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-18T13:39:07Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• 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)
• Multi-Time Attention Networks for Irregularly Sampled Time Series [18.224344440110862]
  不規則サンプリングは多くの時系列モデリングアプリケーションで発生する。 我々は,この設定のための新しいディープラーニングフレームワークを提案し,これをマルチ時間注意ネットワークと呼ぶ。 その結果,我々のアプローチは,ベースラインや最近提案されたモデルと同等かそれ以上の性能を示すことができた。
  論文  参考訳（メタデータ） (2021-01-25T18:57:42Z)

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。