論文の概要: TiVy: Time Series Visual Summary for Scalable Visualization

• arxiv url: http://arxiv.org/abs/2507.18972v2
• Date: Mon, 28 Jul 2025 23:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 12:52:36.830739
• Title: TiVy: Time Series Visual Summary for Scalable Visualization
• Title（参考訳）: TiVy: スケーラブルな可視化のための時系列ビジュアル概要
• Authors: Gromit Yeuk-Yin Chan, Luis Gustavo Nonato, Themis Palpanas, Cláudio T. Silva, Juliana Freire,
• Abstract要約: 時系列パターンを用いて時系列を要約する新しいアルゴリズムTiVyを提案する。 また,大規模時系列をリアルタイムにレンダリングするインタラクティブな時系列可視化も提案する。
• 参考スコア（独自算出の注目度）: 32.33793043326047
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Visualizing multiple time series presents fundamental tradeoffs between scalability and visual clarity. Time series capture the behavior of many large-scale real-world processes, from stock market trends to urban activities. Users often gain insights by visualizing them as line charts, juxtaposing or superposing multiple time series to compare them and identify trends and patterns. However, existing representations struggle with scalability: when covering long time spans, leading to visual clutter from too many small multiples or overlapping lines. We propose TiVy, a new algorithm that summarizes time series using sequential patterns. It transforms the series into a set of symbolic sequences based on subsequence visual similarity using Dynamic Time Warping (DTW), then constructs a disjoint grouping of similar subsequences based on the frequent sequential patterns. The grouping result, a visual summary of time series, provides uncluttered superposition with fewer small multiples. Unlike common clustering techniques, TiVy extracts similar subsequences (of varying lengths) aligned in time. We also present an interactive time series visualization that renders large-scale time series in real-time. Our experimental evaluation shows that our algorithm (1) extracts clear and accurate patterns when visualizing time series data, (2) achieves a significant speed-up (1000X) compared to a straightforward DTW clustering. We also demonstrate the efficiency of our approach to explore hidden structures in massive time series data in two usage scenarios.
• Abstract（参考訳）: 複数の時系列を視覚化することは、スケーラビリティと視覚的明快さの基本的なトレードオフを示す。 時系列は、株式市場のトレンドから都市活動に至るまで、多くの大規模な現実世界のプロセスの振る舞いを捉えている。 ユーザは、ラインチャートとして視覚化したり、複数の時系列を重ねて比較したり、トレンドやパターンを特定したりすることで、洞察を得ることが多い。 しかし、既存の表現はスケーラビリティに苦慮している。長い時間にまたがる場合、あまりに多くの小さな多重や重複するラインから視覚的に散らかることになる。 時系列パターンを用いて時系列を要約する新しいアルゴリズムTiVyを提案する。 ダイナミック・タイム・ウォーピング(DTW)を用いて、サブシーケンスの視覚的類似性に基づいて一連のシンボリック・シーケンスに変換し、頻繁なシーケンシャル・パターンに基づいて類似のサブシーケンスの非結合なグループを構築する。 時系列の視覚的な要約であるグルーピングの結果は、小さな倍数が少なくて散らばった重ね合わせを与える。 一般的なクラスタリング手法とは異なり、TiVyは時間的に配列された類似のサブシーケンス(長さの異なる)を抽出する。 また,大規模時系列をリアルタイムにレンダリングするインタラクティブな時系列可視化も提案する。 実験により,(1)時系列データを可視化する際の明瞭で正確なパターンを抽出し,(2)単純なDTWクラスタリングと比較して1000倍の高速化を実現した。 また,2つの利用シナリオにおいて,大規模時系列データに隠された構造を探索する手法の有効性を実証する。

関連論文リスト

• Time Series Representations for Classification Lie Hidden in Pretrained Vision Transformers [49.07665715422702]
  時系列を画像に変換するフレームワークであるTime Vision Transformer (TiViT) を提案する。 標準時系列分類ベンチマークにおいて, TiViT が最先端の性能を達成することを示す。 本研究は,非視覚領域における視覚表現の再利用に向けた新たな方向を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-10T09:54:51Z)
• $k$-Graph: A Graph Embedding for Interpretable Time Series Clustering [21.763409747687348]
  $k$-Graphは時系列クラスタリングの解釈可能性を高めるために作られた教師なしのメソッドである。 我々の実験結果によると、$k$-Graphは現在の最先端の時系列クラスタリングアルゴリズムよりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-02-18T16:59:51Z)
• 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(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Series2Vec: Similarity-based Self-supervised Representation Learning for Time Series Classification [13.775977945756415]
  自己教師型表現学習のための textitSeries2Vec という新しい手法を提案する。 Series2Vecは、時間領域とスペクトル領域の両方における2つの系列の類似性を予測するために訓練されている。 我々は,Series2Vecが完全教師付きトレーニングと互換性があり,限られたラベル付きデータを持つデータセットにおいて高い効率を提供することを示す。
  論文  参考訳（メタデータ） (2023-12-07T02:30:40Z)
• Time-to-Pattern: Information-Theoretic Unsupervised Learning for Scalable Time Series Summarization [7.294418916091012]
  時系列要約におけるT2P(Time-to-Pattern)という手法を提案する。 T2Pは、最小記述長の概念に従って、最も有能な情報をエンコードする多様なパターンの集合を見つけることを目的としている。 人工的および実世界の実験により、T2Pはノイズや複雑な環境においても、情報的パターンを発見することが判明した。
  論文  参考訳（メタデータ） (2023-08-26T01:15:32Z)
• Expressing Multivariate Time Series as Graphs with Time Series Attention Transformer [14.172091921813065]
  多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。 TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。 TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-19T12:25:56Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)

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。