論文の概要: Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning

• arxiv url: http://arxiv.org/abs/2511.06854v1
• Date: Mon, 10 Nov 2025 08:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.172008
• Title: Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning
• Title（参考訳）: 過度にサンプリングされた時系列表現学習
• Authors: Jiexi Liu, Meng Cao, Songcan Chen,
• Abstract要約: iTimERはISTS表現学習のための自己教師型フレームワークである。 観測されていないタイムスタンプをノイズ対応トレーニングターゲットに変換し、意味のある再構築信号を可能にする。 iTimERは、ISTS設定下での最先端メソッドを一貫して上回る。
• 参考スコア（独自算出の注目度）: 38.869433924831156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Irregularly sampled time series (ISTS), characterized by non-uniform time intervals with natural missingness, are prevalent in real-world applications. Existing approaches for ISTS modeling primarily rely on observed values to impute unobserved ones or infer latent dynamics. However, these methods overlook a critical source of learning signal: the reconstruction error inherently produced during model training. Such error implicitly reflects how well a model captures the underlying data structure and can serve as an informative proxy for unobserved values. To exploit this insight, we propose iTimER, a simple yet effective self-supervised pre-training framework for ISTS representation learning. iTimER models the distribution of reconstruction errors over observed values and generates pseudo-observations for unobserved timestamps through a mixup strategy between sampled errors and the last available observations. This transforms unobserved timestamps into noise-aware training targets, enabling meaningful reconstruction signals. A Wasserstein metric aligns reconstruction error distributions between observed and pseudo-observed regions, while a contrastive learning objective enhances the discriminability of learned representations. Extensive experiments on classification, interpolation, and forecasting tasks demonstrate that iTimER consistently outperforms state-of-the-art methods under the ISTS setting.
• Abstract（参考訳）: 不規則なサンプル時間系列(ISTS)は、自然の欠如を伴う一様でない時間間隔によって特徴づけられるが、実世界の応用では一般的である。 既存のISTSモデリングのアプローチは主に観測値に依存し、観測されていない値や遅延力学を推論する。 しかし、これらの手法は学習信号の重要な源であるモデルトレーニング中に本質的に発生する再構成誤差を見落としている。 このようなエラーは、モデルが基盤となるデータ構造をいかにうまく捉えたかを暗黙的に反映し、観測されていない値に対する情報的プロキシとして機能するかを暗示的に反映します。 この知見を活用するために,ISTS表現学習のための簡易かつ効果的な自己教師付き事前学習フレームワークiTimERを提案する。 iTimERは、観測値上の再構成誤差の分布をモデル化し、サンプルエラーと最後に利用可能な観測との混合戦略により、観測されていないタイムスタンプの擬似観測を生成する。 これにより、観測されていないタイムスタンプをノイズ対応トレーニングターゲットに変換し、意味のある再構成信号を可能にする。 ワッサーシュタイン計量は観測された領域と疑似観測された領域間の再構成誤差分布を整列し、対照的な学習目的は学習された表現の識別可能性を高める。 分類、補間、予測タスクに関する大規模な実験は、iTimERがISTS設定下での最先端手法を一貫して上回っていることを示している。

関連論文リスト

• A Theoretical Analysis of Detecting Large Model-Generated Time Series [19.438825121010783]
  データ誤用や製造のリスクが高まっているため、時系列大モデル(TSLM)が生成する合成時系列を識別する問題について検討する。 本研究では, TSLM生成時系列を識別するために, 連続プレフィックス上で不確実性指標を集約するホワイトボックス検出器である不確実性収縮推定器(UCE)を紹介する。
  論文  参考訳（メタデータ） (2025-11-10T13:48:48Z)
• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Learning to Reconstruct Missing Data from Spatiotemporal Graphs with Sparse Observations [11.486068333583216]
  本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。 我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。 技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
  論文  参考訳（メタデータ） (2022-05-26T16:40:48Z)
• Model Rectification via Unknown Unknowns Extraction from Deployment Samples [8.0497115494227]
  本稿では, 訓練後のモデル修正を, 教師付き方式で実施することを目的とした, 汎用的なアルゴリズムフレームワークを提案する。 RTSCVは未知の未知(u.u.s)を抽出する RTSCVは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-08T11:46:19Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。