論文の概要: Measuring Time-Series Dataset Similarity using Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2507.22189v1
• Date: Tue, 29 Jul 2025 19:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:17.835095
• Title: Measuring Time-Series Dataset Similarity using Wasserstein Distance
• Title（参考訳）: Wasserstein 距離を用いた時系列データセットの類似性の測定
• Authors: Hongjie Chen, Akshay Mehra, Josh Kimball, Ryan A. Rossi,
• Abstract要約: 時系列データセットの類似度測定は、モデル選択、微調整、可視化など、さまざまな方法で研究を支援する。 本稿では,ワッサースタイン距離を利用して時系列データセットの類似度を測定する分布に基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 21.101558938915634
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The emergence of time-series foundation model research elevates the growing need to measure the (dis)similarity of time-series datasets. A time-series dataset similarity measure aids research in multiple ways, including model selection, finetuning, and visualization. In this paper, we propose a distribution-based method to measure time-series dataset similarity by leveraging the Wasserstein distance. We consider a time-series dataset an empirical instantiation of an underlying multivariate normal distribution (MVN). The similarity between two time-series datasets is thus computed as the Wasserstein distance between their corresponding MVNs. Comprehensive experiments and visualization show the effectiveness of our approach. Specifically, we show how the Wasserstein distance helps identify similar time-series datasets and facilitates inference performance estimation of foundation models in both out-of-distribution and transfer learning evaluation, with high correlations between our proposed measure and the inference loss (>0.60).
• Abstract（参考訳）: 時系列基盤モデル研究の出現は、時系列データセットの(異なる)類似性を測定する必要性が高まっている。 時系列データセットの類似度測定は、モデル選択、微調整、可視化など、さまざまな方法で研究を支援する。 本稿では,ワッサーシュタイン距離を利用して時系列データセットの類似度を測定する分布に基づく手法を提案する。 時系列データセットは、基礎となる多変量正規分布(MVN)の経験的インスタンス化であると考えている。 したがって、2つの時系列データセット間の類似性は、対応するMVN間のワッサーシュタイン距離として計算される。 総合的な実験と可視化は、我々のアプローチの有効性を示している。 具体的には、ワッサースタイン距離が類似した時系列データセットの同定にどのように役立つかを示し、提案手法と推定損失(>0.60)との間に高い相関関係を持ち、分布外および伝達学習評価の両方において基礎モデルの推論性能評価を容易にするかを示す。

関連論文リスト

• Bayesian temporal biclustering with applications to multi-subject neuroscience studies [6.515516311120015]
  本研究では,時間不変な被検体の分割が時間変化による測定の分割を誘導するネスト分割を特徴とする時間的双クラスタリングのためのベイズモデルを提案する。 提案手法は,データ駆動による被検体数および測定クラスター数の決定と,測定分割における変化点数および位置の推定を可能にする。
  論文  参考訳（メタデータ） (2024-06-24T20:41:37Z)
• 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)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• Wasserstein multivariate auto-regressive models for modeling distributional time series [0.0]
  本稿では,複数の確率測度の集合からなるデータの統計的解析に着目する。 時間依存確率測度をワッサーシュタイン空間のランダムな対象としてモデル化することにより、新しい自己回帰モデルを提案する。 このようなモデルの解の存在、特異性、定常性に関する結果が提供される。
  論文  参考訳（メタデータ） (2022-07-12T10:18:36Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• 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)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)

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。