論文の概要: PYRREGULAR: A Unified Framework for Irregular Time Series, with Classification Benchmarks

• arxiv url: http://arxiv.org/abs/2505.06047v1
• Date: Fri, 09 May 2025 13:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.279045
• Title: PYRREGULAR: A Unified Framework for Irregular Time Series, with Classification Benchmarks
• Title（参考訳）: PYRREGcular: 分類ベンチマークを備えた不規則時系列の統一フレームワーク
• Authors: Francesco Spinnato, Cristiano Landi,
• Abstract要約: 不規則な時間データは、移動性、医療、環境科学といった分野にまたがる重要な課題を提示する。 我々は、統一されたフレームワークと、不規則時系列分類のための最初の標準化されたデータセットリポジトリを導入する。 本研究は, 研究活動の集中化と, 不規則な時間的データ分析手法のより堅牢な評価を可能にすることを目的とする。
• 参考スコア（独自算出の注目度）: 0.9217021281095907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular temporal data, characterized by varying recording frequencies, differing observation durations, and missing values, presents significant challenges across fields like mobility, healthcare, and environmental science. Existing research communities often overlook or address these challenges in isolation, leading to fragmented tools and methods. To bridge this gap, we introduce a unified framework, and the first standardized dataset repository for irregular time series classification, built on a common array format to enhance interoperability. This repository comprises 34 datasets on which we benchmark 12 classifier models from diverse domains and communities. This work aims to centralize research efforts and enable a more robust evaluation of irregular temporal data analysis methods.
• Abstract（参考訳）: 不規則な時間データは、記録頻度の変動、観測期間の相違、値の欠如によって特徴づけられ、移動性、医療、環境科学といった分野にまたがる重要な課題を提示する。 既存の研究コミュニティは、これらの課題を独立した形で見落としたり、解決したりすることで、断片化されたツールや方法を生み出します。 このギャップを埋めるために、我々は統一されたフレームワークを導入し、相互運用性を高めるために共通の配列フォーマット上に構築された、不規則な時系列分類のための最初の標準化されたデータセットリポジトリを紹介します。 このリポジトリには34のデータセットが含まれており、さまざまなドメインやコミュニティから12の分類器モデルをベンチマークしています。 本研究は, 研究活動の集中化と, 不規則な時間的データ分析手法のより堅牢な評価を可能にすることを目的とする。

関連論文リスト

• On the Regularization of Learnable Embeddings for Time Series Forecasting [18.069747511100132]
  時系列処理のための局所学習可能な埋め込みの学習を規則化する手法について検討する。 本研究では, 局所的・大域的パラメータの組込みによる共適応を防止する手法が, この文脈において特に有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-18T17:30:20Z)
• 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)
• 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)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。