論文の概要: How Different from the Past? Spatio-Temporal Time Series Forecasting with Self-Supervised Deviation Learning

• arxiv url: http://arxiv.org/abs/2510.04908v1
• Date: Mon, 06 Oct 2025 15:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.937248
• Title: How Different from the Past? Spatio-Temporal Time Series Forecasting with Self-Supervised Deviation Learning
• Title（参考訳）: 過去との違いは何か? 自己監督型逸脱学習による時空間時系列予測
• Authors: Haotian Gao, Zheng Dong, Jiawei Yong, Shintaro Fukushima, Kenjiro Taura, Renhe Jiang,
• Abstract要約: 時空間連続時間予測フレームワークST-SSDLを提案する。 典型的な時間パターンを表す学習可能なプロトタイプを用いて潜在空間を識別する。 実験によると、ST-SSDLは複数のメトリクスで常に最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 15.102926671713668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal forecasting is essential for real-world applications such as traffic management and urban computing. Although recent methods have shown improved accuracy, they often fail to account for dynamic deviations between current inputs and historical patterns. These deviations contain critical signals that can significantly affect model performance. To fill this gap, we propose ST-SSDL, a Spatio-Temporal time series forecasting framework that incorporates a Self-Supervised Deviation Learning scheme to capture and utilize such deviations. ST-SSDL anchors each input to its historical average and discretizes the latent space using learnable prototypes that represent typical spatio-temporal patterns. Two auxiliary objectives are proposed to refine this structure: a contrastive loss that enhances inter-prototype discriminability and a deviation loss that regularizes the distance consistency between input representations and corresponding prototypes to quantify deviation. Optimized jointly with the forecasting objective, these components guide the model to organize its hidden space and improve generalization across diverse input conditions. Experiments on six benchmark datasets show that ST-SSDL consistently outperforms state-of-the-art baselines across multiple metrics. Visualizations further demonstrate its ability to adaptively respond to varying levels of deviation in complex spatio-temporal scenarios. Our code and datasets are available at https://github.com/Jimmy-7664/ST-SSDL.
• Abstract（参考訳）: 交通管理や都市コンピューティングといった実世界のアプリケーションには時空間予測が不可欠である。 最近の手法では精度が向上しているが、現在の入力と過去のパターンの動的ずれを考慮できないことが多い。 これらの偏差には、モデルの性能に大きな影響を及ぼす重要な信号が含まれる。 このギャップを埋めるために,自己改善型逸脱学習スキームを組み込んだ時空間時系列予測フレームワークST-SSDLを提案する。 ST-SSDLは各入力を履歴平均に固定し、典型的な時空間パターンを表す学習可能なプロトタイプを用いて潜在空間を識別する。 この構造を改良するために2つの補助的目的が提案されている: 原型間識別性を高めるコントラスト損失と、入力表現と対応するプロトタイプ間の距離一貫性を規則化し偏差を定量化する偏差損失である。 予測対象と協調して最適化されたこれらのコンポーネントは、隠れた空間を整理し、多様な入力条件をまたいだ一般化を改善するためにモデルをガイドする。 6つのベンチマークデータセットの実験では、ST-SSDLは複数のメトリクスで常に最先端のベースラインを上回っている。 可視化はさらに、複雑な時空間シナリオにおける様々なレベルの偏差に適応的に反応する能力を示している。 コードとデータセットはhttps://github.com/Jimmy-7664/ST-SSDL.comで公開されています。

関連論文リスト

• A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
  自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。 本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。 具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
  論文  参考訳（メタデータ） (2025-06-11T14:23:47Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Augmented Contrastive Clustering with Uncertainty-Aware Prototyping for Time Series Test Time Adaptation [28.793983148042134]
  テストタイム適応は、推論中にオンラインの未ラベルのテストデータのみを使用して、トレーニング済みのディープニューラルネットワークに適応することを目的としている。 既存のTTA手法は、もともと視覚タスク用に設計されたもので、実世界の時系列データの複雑な時間的ダイナミクスを効果的に扱えない可能性がある。 本稿では,時系列データに対する単純かつ効果的なTTA手法であるACCUP(Augmented Contrastive Clustering with Uncertainty-aware Prototyping)を提案する。
  論文  参考訳（メタデータ） (2025-01-01T11:45:17Z)
• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• 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)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)

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。