論文の概要: Exact Recovery of Non-Random Missing Multidimensional Time Series via Temporal Isometric Delay-Embedding Transform

• arxiv url: http://arxiv.org/abs/2512.10191v1
• Date: Thu, 11 Dec 2025 01:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.141538
• Title: Exact Recovery of Non-Random Missing Multidimensional Time Series via Temporal Isometric Delay-Embedding Transform
• Title（参考訳）: 時間的等尺遅延埋め込み変換による非ランダム欠落時系列の厳密な復元
• Authors: Hao Shu, Jicheng Li, Yu Jin, Ling Zhou,
• Abstract要約: 非ランダムな欠落データは、多次元時系列において、ユビキタスだが未処理の欠陥である。 本稿では, ハンケルテンソルの低ランク化は, 基礎となる時系列の滑らかさと周期性によって自然に引き起こされる, 時間等尺遅延埋め込み変換を提案する。 提案モデルでは, 様々な非ランダム欠落パターン下でのシミュレーション実験により, 正確な回復が得られた。
• 参考スコア（独自算出の注目度）: 6.015902220215394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-random missing data is a ubiquitous yet undertreated flaw in multidimensional time series, fundamentally threatening the reliability of data-driven analysis and decision-making. Pure low-rank tensor completion, as a classical data recovery method, falls short in handling non-random missingness, both methodologically and theoretically. Hankel-structured tensor completion models provide a feasible approach for recovering multidimensional time series with non-random missing patterns. However, most Hankel-based multidimensional data recovery methods both suffer from unclear sources of Hankel tensor low-rankness and lack an exact recovery theory for non-random missing data. To address these issues, we propose the temporal isometric delay-embedding transform, which constructs a Hankel tensor whose low-rankness is naturally induced by the smoothness and periodicity of the underlying time series. Leveraging this property, we develop the \textit{Low-Rank Tensor Completion with Temporal Isometric Delay-embedding Transform} (LRTC-TIDT) model, which characterizes the low-rank structure under the \textit{Tensor Singular Value Decomposition} (t-SVD) framework. Once the prescribed non-random sampling conditions and mild incoherence assumptions are satisfied, the proposed LRTC-TIDT model achieves exact recovery, as confirmed by simulation experiments under various non-random missing patterns. Furthermore, LRTC-TIDT consistently outperforms existing tensor-based methods across multiple real-world tasks, including network flow reconstruction, urban traffic estimation, and temperature field prediction. Our implementation is publicly available at https://github.com/HaoShu2000/LRTC-TIDT.
• Abstract（参考訳）: 非ランダムな欠落データは、多次元時系列において、ユビキタスだが未処理の欠陥であり、データ駆動分析と意思決定の信頼性を脅かす。 古典的データ回復法として、純粋な低ランクテンソル完備化は、方法論的にも理論的にも、非ランダムな欠如を扱うには不十分である。 ハンケル構造テンソル完備化モデルは、ランダムに欠落するパターンを持つ多次元時系列を復元するための実現可能なアプローチを提供する。 しかし、ハンケルをベースとした多次元データ復元手法の多くは、ハンケルテンソルの低ランク性の不明瞭な情報源に悩まされ、非ランダムなデータに対する正確な回復理論が欠如している。 これらの問題に対処するために, ハンケルテンソルの低ランク化は, 基礎となる時系列の滑らかさと周期性によって自然に引き起こされる時間等尺遅延埋め込み変換を提案する。 この特性を生かして,<textit{Low-Rank Tensor Completion with Temporal Isometric Delay-embedding Transform} (LRTC-TIDT) モデルを開発した。 所定の非ランダムサンプリング条件と軽度の不整合仮定が満たされると、LRTC-TIDTモデルは、様々な非ランダム欠落パターンのシミュレーション実験により、正確な回復を達成する。 さらに、LRTC-TIDTは、ネットワークフロー再構成、都市交通推定、温度場予測など、複数の実世界のタスクにおいて、既存のテンソルベースの手法よりも一貫して優れている。 私たちの実装はhttps://github.com/HaoShu2000/LRTC-TIDTで公開されています。

関連論文リスト

• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Fourier Low-rank and Sparse Tensor for Efficient Tensor Completion [11.949952079083026]
  我々は、新しいモデル、UnderlineFourier UnderlineLow-rankとUnderlineSparse UnderlineTensor(FLoST)を提案する。 FLoSTは変換を用いてテンソルを時間次元に沿って分解する。 低周波成分と低周波成分と低周波成分を疎らさで捕捉し、滑らかな変動と局所的な変動の両方を効率的にモデル化するハイブリッド構造をもたらす。
  論文  参考訳（メタデータ） (2025-05-16T13:54:07Z)
• Functional Complexity-adaptive Temporal Tensor Decomposition [21.446684930040266]
  機能的アンダーラインコンプレシティ-アンダーライン適応アンダーラインテンソルダンダーラインエコレーション(textscCatte)を提案する。 提案手法では,連続的な空間指標を学習可能なフーリエ特徴としてエンコードし,潜時空間におけるニューラルODEを用いて時間的要因の軌跡を学習する。 分析的エビデンスを低く抑えた効率的な変分推論手法を開発し,サンプリング不要な最適化を実現する。
  論文  参考訳（メタデータ） (2025-02-10T05:27:11Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• 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。