論文の概要: PLanTS: Periodicity-aware Latent-state Representation Learning for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2509.05478v1
• Date: Fri, 05 Sep 2025 20:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.529033
• Title: PLanTS: Periodicity-aware Latent-state Representation Learning for Multivariate Time Series
• Title（参考訳）: PLanTS:多変量時系列の周期性を考慮した潜在状態表現学習
• Authors: Jia Wang, Xiao Wang, Chi Zhang,
• Abstract要約: 本稿では,不規則状態とその遷移を明示的にモデル化した周期性を考慮した自己教師型学習フレームワークPLanTSを提案する。 PLanTSは既存のSSLメソッドよりも一貫して表現品質を改善し、DTWベースのメソッドよりも優れた実行効率を示す。
• 参考スコア（独自算出の注目度）: 10.332959619473652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series (MTS) are ubiquitous in domains such as healthcare, climate science, and industrial monitoring, but their high dimensionality, limited labeled data, and non-stationary nature pose significant challenges for conventional machine learning methods. While recent self-supervised learning (SSL) approaches mitigate label scarcity by data augmentations or time point-based contrastive strategy, they neglect the intrinsic periodic structure of MTS and fail to capture the dynamic evolution of latent states. We propose PLanTS, a periodicity-aware self-supervised learning framework that explicitly models irregular latent states and their transitions. We first designed a period-aware multi-granularity patching mechanism and a generalized contrastive loss to preserve both instance-level and state-level similarities across multiple temporal resolutions. To further capture temporal dynamics, we design a next-transition prediction pretext task that encourages representations to encode predictive information about future state evolution. We evaluate PLanTS across a wide range of downstream tasks-including multi-class and multi-label classification, forecasting, trajectory tracking and anomaly detection. PLanTS consistently improves the representation quality over existing SSL methods and demonstrates superior runtime efficiency compared to DTW-based methods.
• Abstract（参考訳）: 多変量時系列(MTS)は、医療、気候科学、産業モニタリングなどの分野で広く使われているが、その高次元性、ラベル付きデータ、および非定常性は、従来の機械学習手法に重大な課題をもたらす。 最近の自己教師付き学習(SSL)は、データ強化や時間点に基づくコントラスト戦略によってラベルの不足を緩和するが、MSSの本質的な周期構造を無視し、潜伏状態の動的進化を捉えるのに失敗する。 本稿では,不規則状態とその遷移を明示的にモデル化した周期性を考慮した自己教師型学習フレームワークPLanTSを提案する。 我々はまず、複数の時間分解能のインスタンスレベルと状態レベルの両方の類似性を維持するために、周期対応の多粒度パッチ機構と一般化されたコントラスト損失を設計した。 さらに時間的ダイナミクスを捉えるために,表現が将来の状態の進化に関する予測情報をエンコードすることを奨励する,次の遷移予測プレテキストタスクを設計する。 PLanTSは,マルチクラスおよびマルチラベル分類,予測,軌跡追跡,異常検出など,幅広い下流タスクを対象として評価を行った。 PLanTSは既存のSSLメソッドよりも一貫して表現品質を改善し、DTWベースのメソッドよりも優れた実行効率を示す。

関連論文リスト

• Transformer-based Multivariate Time Series Anomaly Localization [5.554794295879246]
  時空間異常スコア(英: Space-Time Anomaly Score、STAS)は、変圧器の潜在表現と時空間統計モデルとの接続にインスパイアされた新しい計量である。 統計的特徴異常スコア(SFAS)は、異常に関する統計的特徴を分析してSTASを補完し、それらの組み合わせは誤報を減らすのに役立つ。 実世界の実験と合成データセットは、検出タスクとローカライゼーションタスクの両方において、最先端の手法よりもモデルの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-01-15T07:18:51Z)
• Multi-Modality Spatio-Temporal Forecasting via Self-Supervised Learning [11.19088022423885]
  そこで本稿では,MoSSL を利用した新しい学習フレームワークを提案する。 2つの実世界のMOSTデータセットの結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2024-05-06T08:24:06Z)
• Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting [12.793705636683402]
  MTS内の非定常性と固有特性を考慮した強力な階層的確率的生成モジュールを開発した。 次に、階層時間系列変分変換器(HTV-Trans)という、明確に定義された変動生成動的モデルに対する変換器と組み合わせる。 HTV-Transは強力な確率モデルであり、MTSの表現表現を学習し、予測タスクに適用する。
  論文  参考訳（メタデータ） (2024-03-08T16:04:36Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Structural Knowledge Informed Continual Multivariate Time Series Forecasting [23.18105409644709]
  本稿では,連続学習パラダイム内で MTS 予測を行うための新しい構造知識情報連続学習(SKI-CL)フレームワークを提案する。 具体的には、グラフ構造学習に基づく予測モデルを構築し、学習した変数依存と構造知識の間に一貫性の規則化スキームを課す。 本研究では,MTSデータの時間的カバレッジを最大化し,各状態の時間的ダイナミクスと依存性構造を効率的に保存する表現マッチング型メモリ再生方式を開発した。
  論文  参考訳（メタデータ） (2024-02-20T05:11:20Z)
• Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
  我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。 リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
  論文  参考訳（メタデータ） (2023-10-09T19:52:22Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)

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。