論文の概要: PromptTSS: A Prompting-Based Approach for Interactive Multi-Granularity Time Series Segmentation

• arxiv url: http://arxiv.org/abs/2506.11170v1
• Date: Thu, 12 Jun 2025 06:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.531971
• Title: PromptTSS: A Prompting-Based Approach for Interactive Multi-Granularity Time Series Segmentation
• Title（参考訳）: PromptTSS: 対話型マルチグラニュラリティ時系列セグメンテーションのためのプロンプトベースアプローチ
• Authors: Ching Chang, Ming-Chih Lo, Wen-Chih Peng, Tien-Fu Chen,
• Abstract要約: PromptTSS(PromptTSS)は,複数粒度状態を持つ時系列セグメンテーションのための新しいフレームワークである。 PromptTSSは、ラベルと境界情報を利用してセグメンテーションをガイドするプロンプト機構を備えた統一モデルを使用する。 実験の結果、PromptTSSの精度は多粒度セグメンテーションで24.49%、単一粒度セグメンテーションで17.88%、転送学習で599.24%向上した。
• 参考スコア（独自算出の注目度）: 8.167733248290233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series data, collected across various fields such as manufacturing and wearable technology, exhibit states at multiple levels of granularity, from coarse-grained system behaviors to fine-grained, detailed events. Effectively segmenting and integrating states across these different granularities is crucial for tasks like predictive maintenance and performance optimization. However, existing time series segmentation methods face two key challenges: (1) the inability to handle multiple levels of granularity within a unified model, and (2) limited adaptability to new, evolving patterns in dynamic environments. To address these challenges, we propose PromptTSS, a novel framework for time series segmentation with multi-granularity states. PromptTSS uses a unified model with a prompting mechanism that leverages label and boundary information to guide segmentation, capturing both coarse- and fine-grained patterns while adapting dynamically to unseen patterns. Experiments show PromptTSS improves accuracy by 24.49% in multi-granularity segmentation, 17.88% in single-granularity segmentation, and up to 599.24% in transfer learning, demonstrating its adaptability to hierarchical states and evolving time series dynamics.
• Abstract（参考訳）: 製造やウェアラブル技術などの様々な分野にまたがって収集された多変量時系列データは、粗粒度のシステム挙動から細粒度の詳細なイベントに至るまで、様々なレベルの粒度の状態を示す。 予測メンテナンスやパフォーマンス最適化といったタスクには、これらさまざまな粒度の状態を効果的にセグメント化して統合することが不可欠です。 しかし,既存の時系列セグメンテーション手法では,(1)統一モデル内で複数の粒度を扱えないこと,(2)動的環境における新しい進化パターンへの適応性に制限があること,の2つの課題に直面している。 これらの課題に対処するために,複数粒度状態を持つ時系列セグメンテーションのための新しいフレームワークであるPromptTSSを提案する。 PromptTSSは、ラベルと境界情報を利用した統一モデルを使用してセグメンテーションをガイドし、粗いパターンと細かなパターンの両方をキャプチャし、目に見えないパターンに動的に適応する。 実験の結果、PromptTSSは多粒度セグメンテーションで24.49%、単一粒度セグメンテーションで17.88%、転送学習で599.24%の精度向上を示し、階層状態への適応性を示し、時系列のダイナミクスを進化させた。

関連論文リスト

• T2S: High-resolution Time Series Generation with Text-to-Series Diffusion Models [51.08566687549047]
  自然言語と時系列のギャップを埋める拡散ベースのフレームワークであるText-to-Series (T2S)を紹介した。 T2Sは長さ適応型変分オートエンコーダを用いて、様々な長さの時系列を一貫した潜伏埋め込みに符号化する。 我々は、T2Sを複数の長さでインターリーブされたパラダイムで訓練し、任意の所望の長さのシーケンスを生成する。
  論文  参考訳（メタデータ） (2025-05-05T07:22:54Z)
• Ada-MSHyper: Adaptive Multi-Scale Hypergraph Transformer for Time Series Forecasting [5.431115840202783]
  時系列予測のための適応型マルチスケールハイパーグラフ変換器(Ada-MSHyper)を提案する。 Ada-MSHyperは最先端の性能を達成し、予測誤差を平均4.56%、10.38%、MSEの4.97%減らし、長距離、短距離、超長距離の時系列予測を行う。
  論文  参考訳（メタデータ） (2024-10-31T14:51:09Z)
• Higher-order Cross-structural Embedding Model for Time Series Analysis [12.35149125898563]
  時系列分析は、医療、金融、センサーネットワークといった様々な分野における重要な応用のために、注目されている。 現在のアプローチでは、時系列内の高次相互作用をモデル化し、時間的あるいは空間的依存関係を別々に学習することに注力しています。 本稿では,時間的視点と空間的視点の両方を協調的にモデル化する新しいフレームワークであるHigh-TS(Higher-order Cross-structural Embedding Model for Time Series)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:51:14Z)
• DRFormer: Multi-Scale Transformer Utilizing Diverse Receptive Fields for Long Time-Series Forecasting [3.420673126033772]
  本稿では,動的スパース学習アルゴリズムを用いた動的トークン化手法を提案する。 提案するDRFormerは,実世界の様々なデータセットを用いて評価し,既存の手法と比較して,その優位性を示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-08-05T07:26:47Z)
• TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification [13.110156202816112]
  シフト等分散のような特性を持つパターンを捉えるための新しい多視点手法を提案する。 提案手法は, スペクトル, 時間, 局所, グローバルな特徴を含む多様な特徴を統合して, TSCのリッチで相補的な文脈を得る。 提案手法では,TSCモデルよりも平均精度が4.01-6.45%,7.93%向上した。
  論文  参考訳（メタデータ） (2024-06-06T18:05:10Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Exploring Multi-Timestep Multi-Stage Diffusion Features for Hyperspectral Image Classification [16.724299091453844]
  拡散に基づくHSI分類法は,手動で選択した単一段階の特徴のみを利用する。 MTMSDと呼ばれる,HSI分類のための多段階多段階拡散機能を初めて検討した,拡散に基づく新しい特徴学習フレームワークを提案する。 提案手法は,HSI分類の最先端手法,特にヒューストン2018データセットより優れている。
  論文  参考訳（メタデータ） (2023-06-15T08:56:58Z)

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。