論文の概要: Time-IMM: A Dataset and Benchmark for Irregular Multimodal Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2506.10412v2
• Date: Mon, 23 Jun 2025 21:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 15:36:09.01177
• Title: Time-IMM: A Dataset and Benchmark for Irregular Multimodal Multivariate Time Series
• Title（参考訳）: Time-IMM:不規則多変量時系列のデータセットとベンチマーク
• Authors: Ching Chang, Jeehyun Hwang, Yidan Shi, Haixin Wang, Wen-Chih Peng, Tien-Fu Chen, Wei Wang,
• Abstract要約: Time-IMMは、マルチモーダル時系列における原因駆動不規則を捉えるために設計されたデータセットである。 IMM-TSFは不規則なマルチモーダル時系列を予測するためのベンチマークライブラリである。 実験結果から,不規則な時系列データ上でのマルチモーダリティを明示的にモデル化すると,予測性能が大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 12.066711928647265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series data in real-world applications such as healthcare, climate modeling, and finance are often irregular, multimodal, and messy, with varying sampling rates, asynchronous modalities, and pervasive missingness. However, existing benchmarks typically assume clean, regularly sampled, unimodal data, creating a significant gap between research and real-world deployment. We introduce Time-IMM, a dataset specifically designed to capture cause-driven irregularity in multimodal multivariate time series. Time-IMM represents nine distinct types of time series irregularity, categorized into trigger-based, constraint-based, and artifact-based mechanisms. Complementing the dataset, we introduce IMM-TSF, a benchmark library for forecasting on irregular multimodal time series, enabling asynchronous integration and realistic evaluation. IMM-TSF includes specialized fusion modules, including a timestamp-to-text fusion module and a multimodality fusion module, which support both recency-aware averaging and attention-based integration strategies. Empirical results demonstrate that explicitly modeling multimodality on irregular time series data leads to substantial gains in forecasting performance. Time-IMM and IMM-TSF provide a foundation for advancing time series analysis under real-world conditions. The dataset is publicly available at https://www.kaggle.com/datasets/blacksnail789521/time-imm/data, and the benchmark library can be accessed at https://anonymous.4open.science/r/IMMTSF_NeurIPS2025.
• Abstract（参考訳）: 医療、気候モデリング、ファイナンスといった現実世界のアプリケーションにおける時系列データは、しばしば不規則で、マルチモーダルで、乱雑で、様々なサンプリングレート、非同期なモダリティ、広範に欠如している。 しかし、既存のベンチマークは通常、クリーンで定期的にサンプリングされた、単調なデータを仮定し、研究と実際のデプロイメントの間に大きなギャップを生じさせる。 マルチモーダルな多変量時系列における原因駆動不規則を捉えるためのデータセットであるTime-IMMを紹介する。 Time-IMMは9種類の時系列不規則を表現し、トリガーベース、制約ベース、アーティファクトベースのメカニズムに分類される。 このデータセットを補完し、不規則なマルチモーダル時系列を予測するためのベンチマークライブラリであるIMM-TSFを導入し、非同期統合と現実的な評価を可能にする。 IMM-TSFには、タイムスタンプからテキストへの融合モジュールと、遅延認識平均化と注意に基づく統合戦略の両方をサポートするマルチモーダリティ融合モジュールを含む、特殊な融合モジュールが含まれている。 実験結果から,不規則な時系列データ上でのマルチモーダリティを明示的にモデル化することで,予測性能が大幅に向上することが示された。 Time-IMM と IMM-TSF は実環境下での時系列解析の進歩の基礎となる。 データセットはhttps://www.kaggle.com/datasets/blacksnail789521/time-imm/dataで公開されており、ベンチマークライブラリはhttps://anonymous.4open.science/r/IMMTSF_NeurIPS2025でアクセスすることができる。

関連論文リスト

• Robust Group Anomaly Detection for Quasi-Periodic Network Time Series [47.60720976101336]
  本稿では,ネットワーク時系列データベース内の異常で興味深い時系列を識別するフレームワークを提案する。 本稿では,Seq2GMMモデルを効率よく学習できるサロゲートに基づく最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-06-20T08:11:04Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Multimodal Conditioned Diffusive Time Series Forecasting [16.72476672866356]
  時系列予測(TSF)のためのマルチモーダル条件付き拡散モデルを提案する。 タイムスタンプとテキストを組み合わせて、異なるデータポイント間の時間的および意味的な相関を確立する。 実世界のベンチマークデータセットの実験では、提案したMCD-TSFモデルが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-28T10:56:23Z)
• TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
  TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。 我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T16:55:14Z)
• Multi-Modal Forecaster: Jointly Predicting Time Series and Textual Data [23.10730301634422]
  現在の予測手法は概ね非定型であり、時系列に付随するリッチテキストデータを無視している。 マルチモーダル予測のためのタイムテキストコーパス(TTC)を開発した。 我々のデータセットは、タイムスタンプに沿った数字とテキストのシーケンスで構成されており、気候科学と医療という2つの異なる領域のデータを含んでいる。
  論文  参考訳（メタデータ） (2024-11-11T06:04:15Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Time-MMD: Multi-Domain Multimodal Dataset for Time Series Analysis [40.44013652777716]
  Time-MMDは、最初のマルチドメイン、マルチモーダル時系列データセットである。 MM-TSFlibは、マルチモーダルな時系列予測ライブラリである。
  論文  参考訳（メタデータ） (2024-06-12T20:20:09Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)
• 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)
• TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
  時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。 本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T09:08:57Z)

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。