論文の概要: TopoCL: Topological Contrastive Learning for Time Series
- arxiv url: http://arxiv.org/abs/2502.02924v1
- Date: Wed, 05 Feb 2025 06:37:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-06 14:28:32.670339
- Title: TopoCL: Topological Contrastive Learning for Time Series
- Title(参考訳): TopoCL: 時系列のためのトポロジカルコントラスト学習
- Authors: Namwoo Kim, Hyungryul Baik, Yoonjin Yoon,
- Abstract要約: 時系列のためのトポロジカルコントラスト学習(TopoCL)を提案する。
TopoCLは、永続的ホモロジーを組み込むことで、情報損失を軽減する。
下流タスク分類,異常検出,予測,伝達学習の4つの実験を行った。
- 参考スコア(独自算出の注目度): 1.8434042562191815
- License:
- Abstract: Universal time series representation learning is challenging but valuable in real-world applications such as classification, anomaly detection, and forecasting. Recently, contrastive learning (CL) has been actively explored to tackle time series representation. However, a key challenge is that the data augmentation process in CL can distort seasonal patterns or temporal dependencies, inevitably leading to a loss of semantic information. To address this challenge, we propose Topological Contrastive Learning for time series (TopoCL). TopoCL mitigates such information loss by incorporating persistent homology, which captures the topological characteristics of data that remain invariant under transformations. In this paper, we treat the temporal and topological properties of time series data as distinct modalities. Specifically, we compute persistent homology to construct topological features of time series data, representing them in persistence diagrams. We then design a neural network to encode these persistent diagrams. Our approach jointly optimizes CL within the time modality and time-topology correspondence, promoting a comprehensive understanding of both temporal semantics and topological properties of time series. We conduct extensive experiments on four downstream tasks-classification, anomaly detection, forecasting, and transfer learning. The results demonstrate that TopoCL achieves state-of-the-art performance.
- Abstract(参考訳): ユニバーサル時系列表現学習は、分類、異常検出、予測といった現実世界の応用では難しいが、有用である。
近年,時系列表現に取り組むために,コントラスト学習(CL)が盛んに研究されている。
しかし、重要な課題は、CLにおけるデータ拡張プロセスが季節的パターンや時間的依存関係を歪め、必然的に意味情報が失われることである。
この課題に対処するために,時系列のためのトポロジカルコントラスト学習(TopoCL)を提案する。
TopoCLは、持続的ホモロジーを取り入れた情報損失を軽減し、変換の下で不変なデータのトポロジ的特性をキャプチャする。
本稿では時系列データの時間的・トポロジ的特性を異なるモダリティとして扱う。
具体的には、永続ホモロジーを計算し、時系列データのトポロジ的特徴を永続図で表現する。
次に、これらの永続的な図を符号化するニューラルネットワークを設計する。
提案手法は時間モダリティと時間-トポロジー対応においてCLを協調的に最適化し,時系列の時間的意味論と位相的特性の包括的理解を促進する。
下流の4つのタスク分類、異常検出、予測、伝達学習について広範な実験を行った。
その結果,TopoCLは最先端のパフォーマンスを実現していることがわかった。
関連論文リスト
- Concrete Dense Network for Long-Sequence Time Series Clustering [4.307648859471193]
時系列クラスタリングは、時間的パターンを発見するためのデータ分析において基本である。
深部時間クラスタリング手法は、ニューラルネットワークのエンドツーエンドトレーニングに標準k平均を組み込もうとしている。
LoSTerは、時系列クラスタリング問題に対する新しい密集型オートエンコーダアーキテクチャである。
論文 参考訳(メタデータ) (2024-05-08T12:31:35Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳(メタデータ) (2024-02-26T04:39:01Z) - Learning Time-aware Graph Structures for Spatially Correlated Time
Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。
グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。
最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-12-27T04:23:43Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳(メタデータ) (2023-02-24T13:30:35Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Self-supervised Transformer for Multivariate Clinical Time-Series with
Missing Values [7.9405251142099464]
本稿ではSTraTS(Self-supervised Transformer for TimeSeries)モデルを提案する。
伝統的な密度行列表現を使う代わりに、時系列を観測三重項の集合として扱う。
これは、特にラベル付きデータが制限された場合、死亡予測の最先端手法よりも優れた予測性能を示す。
論文 参考訳(メタデータ) (2021-07-29T19:39:39Z) - Interpretable Time-series Representation Learning With Multi-Level
Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。
DTSは時系列の解釈可能な表現として階層的意味概念を生成する。
DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-05-17T22:02:24Z) - Z-GCNETs: Time Zigzags at Graph Convolutional Networks for Time Series
Forecasting [3.9195417834390907]
我々はジグザグ永続性の概念をGCN(Time-Aware Graph Convolutional Network)に導入する。
我々は,新しい位相的要約であるジグザグ持続像を開発し,その理論的安定性保証を導出する。
その結果、z-gcnetは4つの時系列データセットで13の最先端メソッドを上回ることがわかった。
論文 参考訳(メタデータ) (2021-05-10T04:01:04Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳(メタデータ) (2020-06-15T20:48:43Z)
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。