論文の概要: Structure-preserving contrastive learning for spatial time series

• arxiv url: http://arxiv.org/abs/2502.06380v3
• Date: Fri, 09 May 2025 13:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 14:47:46.915385
• Title: Structure-preserving contrastive learning for spatial time series
• Title（参考訳）: 空間時系列のための構造保存型コントラスト学習
• Authors: Yiru Jiao, Sander van Cranenburgh, Simeon Calvert, Hans van Lint,
• Abstract要約: 空間時系列のコントラスト学習のための構造保存型正規化器を2つ導入する。 1つの正規化器はインスタンス間の類似性を保持し、もう1つは空間次元と時間次元をまたいだ類似性のグラフ幾何学を保存する。 以上の結果から,潜在空間における保存状態の良い類似性構造は,より情報的かつ有用な表現であることが示唆された。
• 参考スコア（独自算出の注目度）: 3.1457219084519004
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The effectiveness of neural network models largely relies on learning meaningful latent patterns from data, where self-supervised learning of informative representations can enhance model performance and generalisability. However, self-supervised representation learning for spatially characterised time series, which are ubiquitous in transportation domain, poses unique challenges due to the necessity of maintaining fine-grained spatio-temporal similarities in the latent space. In this study, we introduce two structure-preserving regularisers for the contrastive learning of spatial time series: one regulariser preserves the topology of similarities between instances, and the other preserves the graph geometry of similarities across spatial and temporal dimensions. To balance the contrastive learning objective and the need for structure preservation, we propose a dynamic weighting mechanism that adaptively manages this trade-off and stabilises training. We validate the proposed method through extensive experiments, including multivariate time series classification to demonstrate its general applicability, as well as macroscopic and microscopic traffic prediction to highlight its particular usefulness in encoding traffic interactions. Across all tasks, our method preserves the similarity structures more effectively and improves state-of-the-art task performances. This method can be integrated with an arbitrary neural network model and is particularly beneficial for time series data with spatial or geographical features. Furthermore, our findings suggest that well-preserved similarity structures in the latent space indicate more informative and useful representations. This provides insights to design more effective neural networks for data-driven transportation research. Our code is made openly accessible with all resulting data at https://github.com/yiru-jiao/spclt
• Abstract（参考訳）: ニューラルネットワークモデルの有効性は、データから有意義な潜在パターンを学習することに大きく依存している。 しかし,移動領域に在在する空間的特徴付き時系列の自己教師付き表現学習は,潜時空間における微細な時空間的類似性を維持する必要性から,独特な課題を生んでいる。 本研究では,空間時系列の対照的な学習のための2つの構造保存正規化器を紹介する。一方の正規化器はインスタンス間の類似性のトポロジーを保存し,他方は空間的および時間的次元にわたって類似性のグラフ幾何学を保存する。 対照的な学習目標と構造保存の必要性のバランスをとるために,このトレードオフを適応的に管理し,トレーニングを安定化する動的重み付け機構を提案する。 提案手法は,多変量時系列分類を含む広範囲な実験により検証され,その汎用性を示すとともに,マクロおよび微視的トラフィック予測により,交通相互作用の符号化に特に有用であることを示す。 全てのタスクにおいて、我々の手法は類似性構造をより効率的に保存し、最先端のタスク性能を改善する。 この方法は任意のニューラルネットワークモデルと統合することができ、特に空間的または地理的特徴を持つ時系列データに有用である。 さらに, 潜在空間における保存状態の良い類似性構造は, より情報的かつ有用な表現であることが示唆された。 これは、データ駆動輸送研究のために、より効果的なニューラルネットワークを設計するための洞察を提供する。 私たちのコードはhttps://github.com/yiru-jiao/spclt.comのすべての結果データで公開されています。

関連論文リスト

• Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting [2.6138578479379104]
  本稿ではTAEGCN(Temporal Attention Evolutional Graph Convolutional Network)を紹介する。 TAEGCNは、データ内の時間的因果関係と隠れた空間的依存関係を受信する。 METR-LAとPEMS-BAYの2つの公共交通ネットワークデータセットで行った実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-01T04:50:00Z)
• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• Spatial-Temporal Knowledge-Embedded Transformer for Video Scene Graph Generation [64.85974098314344]
  映像シーングラフ生成(VidSGG)は、映像シーン内の物体を特定し、その映像との関係を推測することを目的としている。 因みに、オブジェクトペアとその関係は、各画像内の空間的共起相関と、異なる画像間の時間的一貫性/遷移相関を享受する。 本稿では,従来の空間的時間的知識をマルチヘッド・クロスアテンション機構に組み込んだ時空間的知識埋め込み型トランス (STKET) を提案する。
  論文  参考訳（メタデータ） (2023-09-23T02:40:28Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Multi-Task Self-Supervised Time-Series Representation Learning [3.31490164885582]
  時系列表現学習は、時間的ダイナミクスとスパースラベルを持つデータから表現を抽出することができる。 自己教師型タスクの利点を組み合わせた時系列表現学習手法を提案する。 本稿では,時系列分類,予測,異常検出という3つのダウンストリームタスクの枠組みについて検討する。
  論文  参考訳（メタデータ） (2023-03-02T07:44:06Z)
• INCREASE: Inductive Graph Representation Learning for Spatio-Temporal Kriging [35.193756288996944]
  SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。 クリグのための新しい帰納的グラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-06T12:28:35Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• Multiple Object Tracking with Correlation Learning [16.959379957515974]
  本研究では,局所相関モジュールを用いて,対象と周辺環境のトポロジカルな関係をモデル化する。 具体的には,各空間の位置とその文脈の密接な対応を確立し,自己教師付き学習を通じて相関量を明確に制約する。 提案手法は, 相関学習と優れた性能の相関学習の有効性を示し, MOT17では76.5%, IDF1では73.6%の最先端MOTAが得られる。
  論文  参考訳（メタデータ） (2021-04-08T06:48:02Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)

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。