論文の概要: A Regime-Aware Fusion Framework for Time Series Classification
- arxiv url: http://arxiv.org/abs/2512.15378v1
- Date: Wed, 17 Dec 2025 12:28:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:26.97764
- Title: A Regime-Aware Fusion Framework for Time Series Classification
- Title（参考訳）: 時系列分類のためのRegime-Aware Fusion Framework
- Authors: Honey Singh Chauhan, Zahraa S. Abdallah,
- Abstract要約: 我々は,Rocket,Sax,Sfa表現を適応的に融合する軽量フレームワークであるFusion-3(F3)を紹介する。
UCRデータセットを6つのグループに分類し,時系列長,スペクトル構造,粗さ,クラス不均衡を抽出した。
解析の結果、核融合は、構造的変動性や豊富な周波数内容のレギュレーションにおいて、強いベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 1.4037095606573826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kernel-based methods such as Rocket are among the most effective default approaches for univariate time series classification (TSC), yet they do not perform equally well across all datasets. We revisit the long-standing intuition that different representations capture complementary structure and show that selectively fusing them can yield consistent improvements over Rocket on specific, systematically identifiable kinds of datasets. We introduce Fusion-3 (F3), a lightweight framework that adaptively fuses Rocket, Sax, and Sfa representations. To understand when fusion helps, we cluster UCR datasets into six groups using meta-features capturing series length, spectral structure, roughness, and class imbalance, and treat these clusters as interpretable data-structure regimes. Our analysis shows that fusion typically outperforms strong baselines in regimes with structured variability or rich frequency content, while offering diminishing returns in highly irregular or outlier-heavy settings. To support these findings, we combine three complementary analyses: non-parametric paired statistics across datasets, ablation studies isolating the roles of individual representations, and attribution via SHAP to identify which dataset properties predict fusion gains. Sample-level case studies further reveal the underlying mechanism: fusion primarily improves performance by rescuing specific errors, with adaptive increases in frequency-domain weighting precisely where corrections occur. Using 5-fold cross-validation on the 113 UCR datasets, F3 yields small but consistent average improvements over Rocket, supported by frequentist and Bayesian evidence and accompanied by clearly identifiable failure cases. Our results show that selectively applied fusion provides dependable and interpretable extension to strong kernel-based methods, correcting their weaknesses precisely where the data support it.
- Abstract（参考訳）: Rocketのようなカーネルベースのメソッドは、一変量時系列分類(TSC)において最も効果的なデフォルトアプローチであるが、すべてのデータセットで等しく機能しない。
我々は、異なる表現が相補的な構造を捉えるという長年の直観を再考し、選択的に融合することで、特定の、体系的に特定可能なデータセットに対して、Rocketよりも一貫した改善が得られることを示す。
我々は,Rocket,Sax,Sfa表現を適応的に融合する軽量フレームワークであるFusion-3(F3)を紹介する。
融合がいつ役立つかを理解するため、UCRデータセットを6つのグループに分類し、時系列長、スペクトル構造、粗さ、クラス不均衡を計測し、解釈可能なデータ構造構造として扱う。
我々の分析によると、核融合は、構造的変動性や豊富な周波数内容のレギュレーションにおいて強いベースラインを上回り、非常に不規則な、または、外れやすい設定でリターンを低下させる。
これらの結果を支持するために、データセット間の非パラメトリックペア統計分析、個々の表現の役割を分離するアブレーション研究、SHAPによる帰属分析の3つの相補的な分析を組み合わせて、融合利得を予測するデータセット特性を特定する。
核融合は、特定のエラーを救済することで、主に性能を向上し、修正の正確な場所で周波数領域重み付けを適応的に増加させる。
113 UCRデータセットの5倍のクロスバリデーションを使用して、F3はRocketよりも小さくて一貫した平均的な改善を実現している。
この結果から, 選択的に適用された核融合は, 強いカーネルベースのメソッドへの信頼性と解釈可能な拡張を提供し, それらの弱点を正確に補正することを示した。
関連論文リスト
- Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。
従来の射影的手法の制約を克服する。
挑戦的なデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-10-28T03:53:46Z) - FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。
本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。
FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-05-29T07:18:28Z) - HSLiNets: Evaluating Band Ordering Strategies in Hyperspectral and LiDAR Fusion [6.395336865759017]
バンドオーダーがHSI-LiDAR融合性能に及ぼす影響について検討する。
複数のバンド順序構成から学習する新しい融合アーキテクチャを提案する。
我々の手法は最先端の核融合モデルより優れている。
論文 参考訳（メタデータ） (2025-03-27T01:11:31Z) - DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification [11.194964108429252]
DeepFRCは、ワープ機能と統一アーキテクチャ内の分類を共同で学習するエンドツーエンドのディープラーニングフレームワークである。
このようなジョイントモデルに対する最初の理論的保証を提供し、最適なワープを近似する能力を証明する。
合成および実世界のデータセットの実験により、DeepFRCは、アライメント品質と分類精度の両方において、最先端の手法を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2025-01-30T03:35:03Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z)
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。