論文の概要: Mask the Redundancy: Evolving Masking Representation Learning for Multivariate Time-Series Clustering

• arxiv url: http://arxiv.org/abs/2511.17008v1
• Date: Fri, 21 Nov 2025 07:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.922114
• Title: Mask the Redundancy: Evolving Masking Representation Learning for Multivariate Time-Series Clustering
• Title（参考訳）: マスク・ザ・冗長性:多変量時系列クラスタリングのためのマスキング表現学習の進化
• Authors: Zexi Tan, Xiaopeng Luo, Yunlin Liu, Yiqun Zhang,
• Abstract要約: 本稿では,IVM(Importance-aware Variate-wise Masking)およびMEV(Multi-Endogenous Views)表現学習モジュールからなるEMTC(Evolving-Masked MTS Clustering)手法を提案する。 15の実際のベンチマークデータセットの実験では、8つのSOTA法と比較してEMTCの優位性が示され、EMTCは最強のベースラインよりも平均4.85%向上した。
• 参考スコア（独自算出の注目度）: 8.21087649188741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate Time-Series (MTS) clustering discovers intrinsic grouping patterns of temporal data samples. Although time-series provide rich discriminative information, they also contain substantial redundancy, such as steady-state machine operation records and zero-output periods of solar power generation. Such redundancy diminishes the attention given to discriminative timestamps in representation learning, thus leading to performance bottlenecks in MTS clustering. Masking has been widely adopted to enhance the MTS representation, where temporal reconstruction tasks are designed to capture critical information from MTS. However, most existing masking strategies appear to be standalone preprocessing steps, isolated from the learning process, which hinders dynamic adaptation to the importance of clustering-critical timestamps. Accordingly, this paper proposes the Evolving-masked MTS Clustering (EMTC) method, with its model architecture composed of Importance-aware Variate-wise Masking (IVM) and Multi-Endogenous Views (MEV) representation learning modules. IVM adaptively guides the model in learning more discriminative representations for clustering, while the MEV-based reconstruction and contrastive learning pathways enhance the generalization. That is, the MEV reconstruction facilitates multi-perspective complementary to prevent the masking from premature convergence, and the clustering-guided contrastive learning facilitates the joint optimization of representation and clustering. Extensive experiments on 15 real benchmark datasets demonstrate the superiority of EMTC in comparison with eight SOTA methods, where the EMTC achieves an average improvement of 4.85% over the strongest baselines.
• Abstract（参考訳）: 多変量時間系列(MTS)クラスタリングは、時間データサンプルの固有のグループ化パターンを発見する。 時系列は豊かな識別情報を提供するが、定常機械の運転記録や太陽発電のゼロ出力期間など、かなりの冗長性も含んでいる。 このような冗長性は、表現学習における差別的タイムスタンプへの注意を減らし、MSSクラスタリングのパフォーマンスボトルネックにつながる。 マスキングはMSS表現を強化するために広く採用されており、時間的再構成タスクはMSSから重要な情報をキャプチャするために設計されている。 しかし、既存のマスキング戦略のほとんどは、学習プロセスから切り離されたスタンドアロンの事前処理ステップであり、クラスタリングクリティカルなタイムスタンプの重要性への動的適応を妨げる。 そこで本稿では,IVM(Importance-aware Variate-wise Masking)とMEV(Multi-Endogenous Views)の表現学習モジュールからなるEMTC(Evolving-Masked MTS Clustering)手法を提案する。 IVMはクラスタリングのためのより差別的な表現の学習においてモデルを適応的に導く一方、MEVベースの再構成と対照的な学習経路は一般化を促進する。 すなわち,MEV再構成はマスキングの早期収束を防止し,クラスタリング誘導型コントラスト学習は表現とクラスタリングの協調最適化を促進する。 15の実際のベンチマークデータセットに対する大規模な実験は、8つのSOTA法と比較してEMTCの優位性を示し、EMTCは最強のベースラインよりも平均4.85%向上した。

関連論文リスト

• TFEC: Multivariate Time-Series Clustering via Temporal-Frequency Enhanced Contrastive Learning [22.300584288382012]
  本稿では,時間周波数拡張コントラスト(TFEC)学習フレームワークを提案する。 低歪み表現を生成しながら時間構造を維持するために、時間周波数Co-EnHancement(CoEH)機構を導入する。 6つの実世界のベンチマークデータセットの実験は、TFECの優位性を示し、SOTA法よりも平均4.48%のNMIゲインを達成した。
  論文  参考訳（メタデータ） (2026-01-12T13:59:27Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• A Comprehensive Study on Visual Token Redundancy for Discrete Diffusion-based Multimodal Large Language Models [85.30893355216486]
  我々は,異なるdMLLMアーキテクチャとタスクを用いて,視覚的トークン冗長性がどのように進化するかを検討する。 本研究により, 視覚的冗長性は, 長時間のタスクを処理しながら, オフスクラッチdMLLMでのみ現れることが明らかとなった。 層スキッピングはAR-to-diffusion dMLLMの加速に有効であるのに対し、プログレッシブプルーニングやレイトステッププルーニングはストクラッチdMLLMよりも効果的である。
  論文  参考訳（メタデータ） (2025-11-19T04:13:36Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Fuzzy Cluster-Aware Contrastive Clustering for Time Series [1.435214708535728]
  従来の教師なしクラスタリング手法は、しばしば時系列データの複雑な性質を捉えるのに失敗する。 本稿では,表現学習とクラスタリングを協調的に最適化するファジィクラスタ対応コントラストクラスタリングフレームワーク(FCACC)を提案する。 本稿では,時系列データの様々な特徴を活用して特徴抽出を強化するために,新しい3視点データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-03-28T07:59:23Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Extended Cross-Modality United Learning for Unsupervised Visible-Infrared Person Re-identification [34.93081601924748]
  教師なし学習は、ラベルなしのモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。 既存の手法では、クロスモダリティクラスタリングが欠如し、クラスタレベルの関連性を過度に追求する。 拡張Modality-Camera Clustering (EMCC) と Two-Step Memory Updating Strategy (TSMem) を併用した拡張Modality-Camera Clustering (EMCC) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-26T09:30:26Z)
• Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
  我々はSemantic Equitable Clustering(SEC)という,高速かつバランスの取れたクラスタリング手法を導入する。 SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。 視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
  論文  参考訳（メタデータ） (2024-05-22T04:49:00Z)
• Self-Supervised Learning of Time Series Representation via Diffusion Process and Imputation-Interpolation-Forecasting Mask [6.579109660479191]
  Time Series Diffusion Embedding (TSDE)は、最初の拡散ベースのSSL TSRLアプローチである。 TSデータをImputation-Interpolation-Forecasting (IIF)マスクを使用して観察およびマスクされた部分に分割する。 トレーニング可能な埋め込み機能を適用し、クロスオーバー機構を備えたデュアル直交トランスフォーマーエンコーダを備えている。
  論文  参考訳（メタデータ） (2024-05-09T17:55:16Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• MHCCL: Masked Hierarchical Cluster-Wise Contrastive Learning for Multivariate Time Series [20.008535430484475]
  Masked Hierarchical Cluster-wise Contrastive Learning modelを示す。 時系列の複数の潜在パーティションからなる階層構造から得られる意味情報を利用する。 教師なし時系列表現学習における最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2022-12-02T12:42:53Z)
• XEM: An Explainable-by-Design Ensemble Method for Multivariate Time Series Classification [61.33695273474151]
  マルチ変数時系列分類のためのeXplainable-by-design Ensemble法であるXEMを提案する。 XEMは、明示的なブースティング・バッグ・アプローチと暗黙的なディペンション・アンド・コンカ・アプローチを組み合わせた新しいハイブリッド・アンサンブル法に依存している。 評価の結果、XEM は、パブリック UEA データセット上で最先端の MTS 分類器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-07T17:50:18Z)

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。