論文の概要: Retrieving Time-Series Differences Using Natural Language Queries

• arxiv url: http://arxiv.org/abs/2503.21378v1
• Date: Thu, 27 Mar 2025 11:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:19.594647
• Title: Retrieving Time-Series Differences Using Natural Language Queries
• Title（参考訳）: 自然言語クエリを用いた時系列差分検索
• Authors: Kota Dohi, Tomoya Nishida, Harsh Purohit, Takashi Endo, Yohei Kawaguchi,
• Abstract要約: 本稿では,クエリで指定された差分に基づいて時系列データのペアを検索するための自然言語クエリに基づくアプローチを提案する。 違いの6つの重要な特徴を定義し、対応するデータセットを構築し、時系列データとクエリテキストの差分を一致させる対照的な学習ベースモデルを開発する。
• 参考スコア（独自算出の注目度）: 5.578413517654703
• License:
• Abstract: Effectively searching time-series data is essential for system analysis; however, traditional methods often require domain expertise to define search criteria. Recent advancements have enabled natural language-based search, but these methods struggle to handle differences between time-series data. To address this limitation, we propose a natural language query-based approach for retrieving pairs of time-series data based on differences specified in the query. Specifically, we define six key characteristics of differences, construct a corresponding dataset, and develop a contrastive learning-based model to align differences between time-series data with query texts. Experimental results demonstrate that our model achieves an overall mAP score of 0.994 in retrieving time-series pairs.
• Abstract（参考訳）: 時系列データを効果的に検索することはシステム分析に不可欠であるが、従来の手法では探索基準を定義するためにドメインの専門知識を必要とすることが多い。 近年の進歩により、自然言語による検索が可能になったが、これらの手法は時系列データの違いに対処するのに苦労している。 この制限に対処するため,クエリで指定された差分に基づいて時系列データのペアを検索する自然言語クエリベースのアプローチを提案する。 具体的には、6つの違いのキーとなる特徴を定義し、対応するデータセットを構築し、時系列データとクエリテキストの差分を一致させる対照的な学習ベースモデルを開発する。 実験結果から,本モデルでは時系列ペアの検索において,総mAPスコアが0.994であることが確認された。

関連論文リスト

• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(英語版) (TaTS) は時系列の補助変数であると考えている。 TaTSは、既存の数値のみの時系列モデルにプラグインすることができ、ペア化されたテキストで時系列データを効率的に処理することができる。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Domain-Independent Automatic Generation of Descriptive Texts for Time-Series Data [5.264562311559751]
  時系列データからドメインに依存しない記述テキストを生成する手法を提案する。 新たな後方アプローチを実装することで、観測データセットのための時間自動キャプションを作成する。 実験の結果,TACOデータセットを用いて学習した対照的な学習ベースモデルでは,新しいドメインにおける時系列データのための記述テキストを生成することができることがわかった。
  論文  参考訳（メタデータ） (2024-09-25T06:04:03Z)
• Query-oriented Data Augmentation for Session Search [71.84678750612754]
  本稿では,検索ログの強化とモデリングの強化を目的としたクエリ指向データ拡張を提案する。 検索コンテキストの最も重要な部分を変更することで補足的なトレーニングペアを生成する。 我々は、現在のクエリを変更するためのいくつかの戦略を開発し、その結果、様々な難易度で新しいトレーニングデータを得る。
  論文  参考訳（メタデータ） (2024-07-04T08:08:33Z)
• Temporal Treasure Hunt: Content-based Time Series Retrieval System for Discovering Insights [34.1973242428317]
  時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。 Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。 我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-11-05T04:12:13Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
  本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。 実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
  論文  参考訳（メタデータ） (2022-04-07T14:02:15Z)
• ADATIME: A Benchmarking Suite for Domain Adaptation on Time Series Data [20.34427953468868]
  教師なしドメイン適応手法は、トレーニングデータとは異なる分布を持つ可能性のあるラベルなしテストデータに基づいて、うまく一般化することを目的としている。 時系列ドメイン適応に関する既存の研究は、評価スキーム、データセット、バックボーンニューラルネットワークアーキテクチャの矛盾に悩まされている。 時系列データ上で異なるドメイン適応手法を体系的かつ適切に評価するベンチマーク評価スイート(AdaTime)を開発した。
  論文  参考訳（メタデータ） (2022-03-15T23:55:05Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
  一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。 私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
  論文  参考訳（メタデータ） (2021-03-15T08:12:19Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)

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。