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
• Authors: Allen Daniel Sunny,
• 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

• 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)
• 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)
• 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。

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。