Fugu-MT 論文翻訳(概要): StructuralDecompose: A Modular Framework for Robust Time Series Decomposition in R

論文の概要: StructuralDecompose: A Modular Framework for Robust Time Series Decomposition in R

arxiv url: http://arxiv.org/abs/2510.04974v1
Date: Mon, 06 Oct 2025 16:11:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-07 16:52:59.974603
Title: StructuralDecompose: A Modular Framework for Robust Time Series Decomposition in R
Title（参考訳）: StructureDecompose: Rにおけるロバスト時系列分解のためのモジュラーフレームワーク
Abstract要約: モジュラーおよび解釈可能な時系列分解のためのRパッケージであるStructureDecomposeを提案する。シミュレーションおよび実世界のデータセットでこのパッケージを実演し、RbeastやAutostsmといった最先端のツールに対してパフォーマンスをベンチマークし、解釈可能な機械学習におけるその役割について議論する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present StructuralDecompose, an R package for modular and interpretable time series decomposition. Unlike existing approaches that treat decomposition as a monolithic process, StructuralDecompose separates the analysis into distinct components: changepoint detection, anomaly detection, smoothing, and decomposition. This design provides flexibility and robust- ness, allowing users to tailor methods to specific time series characteristics. We demonstrate the package on simulated and real-world datasets, benchmark its performance against state-of-the- art tools such as Rbeast and autostsm, and discuss its role in interpretable machine learning workflows.
Abstract（参考訳）: モジュラーおよび解釈可能な時系列分解のためのRパッケージであるStructureDecomposeを提案する。分解をモノリシックなプロセスとして扱う既存のアプローチとは異なり、StructureDecomposeは分析を、変更点検出、異常検出、平滑化、分解という、別のコンポーネントに分離する。この設計は柔軟性と堅牢性を提供し、ユーザーは特定の時系列特性に合わせてメソッドを調整できる。シミュレーションおよび実世界のデータセット上でこのパッケージを実演し、Rbeastやautostsmといった最先端のツールに対してパフォーマンスをベンチマークし、解釈可能な機械学習ワークフローにおけるその役割について論じる。

関連論文リスト

Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis [2.3799118675414226]
本稿では、テンソル因子化生成モデルと構造化前処理を組み合わせた空間変動テンソル分解(ST-VTD)フレームワークを提案する。提案手法は,古典的および確率的分解ベンチマークと比較して遅延係数の回復率を大幅に向上させる。
論文参考訳（メタデータ） (2026-07-24T12:55:09Z)
Refnd: Preventing Data Leakage in Relational Datasets [3.5410731310203]
Refnd は Navigable Navi Small World (HNSW) を用いてログ時間で計算された近接グラフを利用する分割アルゴリズムである。抗微生物ペプチドデータセットを用いて,Refnd分画は従来の分画よりも低いが,より現実的な評価が得られた。
論文参考訳（メタデータ） (2026-06-30T19:53:33Z)
Modular Diffusion Models for Structured Visual Recognition [52.38687800325397]
与えられた入力画像に対する構造化出力の分布を学習する,シンプルで斬新なフレームワークであるModular Diffusion Models (MDMs)を提案する。 MDMは拡散過程を異なるタスク固有のモジュールに分解し、それぞれが構造化情報空間の異なる側面を捉えることに重点を置いている。このモジュール設計により、各コンポーネントは独立して学習でき、追加のトレーニングなしで推論時にシームレスに統合できる。
論文参考訳（メタデータ） (2026-06-21T22:38:35Z)
REGEN: Reference-Guided Synthetic Multivariate Time Series Generation for Forecasting [7.771378647684901]
本稿では,観測された配列を合成のための構造的足場として扱う参照誘導型生成パイプラインを提案する。 ReGeNの生成したデータは、最小限の予測劣化を伴う実兄弟データに一貫した代用であることを示す。これは、低データのレシエーションにおいて、参照データが構造的に悪用される方法が、利用可能なデータ量と同じくらい重要であることを示唆している。
論文参考訳（メタデータ） (2026-06-03T16:19:55Z)
Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-24T07:31:55Z)
SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
論文参考訳（メタデータ） (2026-04-19T09:55:28Z)
bioLeak: Leakage-Aware Modeling and Diagnostics for Machine Learning in R [0.0]
BioLeak(バイオリーク)は、共通リーク機構に適合したモデルの構築と監査を行うRパッケージである。この実装はバイナリ分類、マルチクラス分類、回帰分析、生存分析をサポートし、タスク固有のメトリクスと分割、適合、監査、インフレーションの要約のためのS4コンテナを提供する。
論文参考訳（メタデータ） (2026-04-13T04:01:31Z)
Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。情報理論構造と統計力学の数学的類似性を確立する。構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
論文参考訳（メタデータ） (2025-07-17T21:31:45Z)
Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
論文参考訳（メタデータ） (2025-06-13T15:58:05Z)
Numerical Investigation of Sequence Modeling Theory using Controllable Memory Functions [14.79659491236138]
本稿では,異なる時系列モデルが時間構造を効果的に捉える方法を評価するための,合成ベンチマークフレームワークを提案する。このアプローチのコアは、それぞれがメモリ機能と時間依存の強さを決定するパラメータによって特徴づけられる合成ターゲットを生成することである。いくつかのシーケンスモデリングアーキテクチャの実験は、既存の理論的洞察を確認し、新しい発見を明らかにする。
論文参考訳（メタデータ） (2025-06-06T02:02:59Z)
Patch-wise Structural Loss for Time Series Forecasting [25.291749176117662]
Patch-wise Structure (PS) Losは、パッチレベルでの時系列を比較することで、構造的アライメントを向上させるように設計されている。 PS損失は、従来のポイントワイドの損失によって見落とされた、微妙な構造上の不一致を捉えている。ポイントワイズロスとシームレスに統合され、局所的な構造上の不整合と個々のタイムステップエラーに同時に対処する。
論文参考訳（メタデータ） (2025-03-02T12:36:15Z)
Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
Conformal time series decomposition with component-wise exchangeability [41.94295877935867]
本稿では,時系列分解を取り入れた時系列予測における共形予測の新たな利用法を提案する。本手法は,よく構造化された時系列に対して有望な結果を与えるが,より複雑なデータに対する分解ステップなどの要因によって制限される可能性がある。
論文参考訳（メタデータ） (2024-06-24T16:23:30Z)
UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
論文参考訳（メタデータ） (2024-06-07T14:39:28Z)
ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文参考訳（メタデータ） (2024-05-22T15:23:10Z)
Structured Learning in Time-dependent Cox Models [5.530765757249537]
本稿では,時間依存型 Cox モデルにおける変数選択のためのフレキシブルなフレームワークを提案する。本手法は, 相互作用選択, 時間的, 空間的, 木的, 有向非巡回グラフ構造を含む任意のグループ構造に適応することができる。
論文参考訳（メタデータ） (2023-06-21T19:22:30Z)
Unsupervised Learning of Equivariant Structure from Sequences [30.974508897223124]
我々は,少なくとも3つの長さの時系列から対称性を学習するための教師なしのフレームワークを提案する。当社のフレームワークでは,データセットの非絡み合い構造が副産物として自然に現れることを実証します。
論文参考訳（メタデータ） (2022-10-12T07:29:18Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。