論文の概要: Evo-TFS: Evolutionary Time-Frequency Domain-Based Synthetic Minority Oversampling Approach to Imbalanced Time Series Classification

• arxiv url: http://arxiv.org/abs/2601.01150v1
• Date: Sat, 03 Jan 2026 10:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.054097
• Title: Evo-TFS: Evolutionary Time-Frequency Domain-Based Synthetic Minority Oversampling Approach to Imbalanced Time Series Classification
• Title（参考訳）: Evo-TFS:不均衡時系列分類のための進化的時間周波数領域に基づく合成マイノリティオーバーサンプリングアプローチ
• Authors: Wenbin Pei, Ruohao Dai, Bing Xue, Mengjie Zhang, Qiang Zhang, Yiu-Ming Cheung,
• Abstract要約: Evo-TFSは時間領域と周波数領域の両方の特徴を統合する新しいオーバーサンプリング手法である。 Evo-TFSでは、多種多様な高品質な時系列を進化させるために、強く型付けされた遺伝的プログラミングが使われている。 不均衡な時系列データセットで実施された実験は、Evo-TFSが既存のオーバーサンプリング手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 49.399484340024316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series classification is a fundamental machine learning task with broad real-world applications. Although many deep learning methods have proven effective in learning time-series data for classification, they were originally developed under the assumption of balanced data distributions. Once data distribution is uneven, these methods tend to ignore the minority class that is typically of higher practical significance. Oversampling methods have been designed to address this by generating minority-class samples, but their reliance on linear interpolation often hampers the preservation of temporal dynamics and the generation of diverse samples. Therefore, in this paper, we propose Evo-TFS, a novel evolutionary oversampling method that integrates both time- and frequency-domain characteristics. In Evo-TFS, strongly typed genetic programming is employed to evolve diverse, high-quality time series, guided by a fitness function that incorporates both time-domain and frequency-domain characteristics. Experiments conducted on imbalanced time series datasets demonstrate that Evo-TFS outperforms existing oversampling methods, significantly enhancing the performance of time-domain and frequency-domain classifiers.
• Abstract（参考訳）: 時系列分類は、幅広い現実世界の応用において基本的な機械学習タスクである。 多くのディープラーニング手法は時系列データを分類するために有効であることが証明されているが、もともとはバランスの取れたデータ分布を前提に開発された。 データ分散が不均一になると、これらの手法は一般的により実践的な重要性の高いマイノリティクラスを無視する傾向にある。 オーバーサンプリング法は、少数クラスのサンプルを生成することでこの問題に対処するために設計されたが、線形補間への依存は、時相力学の保存と多様なサンプルの生成を妨げていることが多い。 そこで本稿では,時間領域特性と周波数領域特性を統合した進化的オーバーサンプリング手法であるEvo-TFSを提案する。 Evo-TFSでは、時間領域と周波数領域の両方の特徴を組み込んだフィットネス機能によって導かれる、多種多様な高品質な時系列を進化させるために、強く型付けされた遺伝的プログラミングが採用されている。 不均衡時系列データセットを用いて行った実験は、Evo-TFSが既存のオーバーサンプリング手法より優れており、時間領域と周波数領域の分類器の性能が著しく向上していることを示している。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• 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)
• Bridging Distribution Gaps in Time Series Foundation Model Pretraining with Prototype-Guided Normalization [29.082583523943157]
  本稿では,Transformerアーキテクチャ内でのドメイン対応適応正規化戦略を提案する。 従来のLayerNormをプロトタイプ誘導動的正規化機構(ProtoNorm)に置き換える。 本手法は,従来の事前学習手法よりも,分類タスクと予測タスクの両方において優れていた。
  論文  参考訳（メタデータ） (2025-04-15T06:23:00Z)
• VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
  識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。 さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。 30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-21T07:31:22Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• Towards Diverse and Coherent Augmentation for Time-Series Forecasting [22.213927377926804]
  時系列データの増大は、ディープラーニングモデルのトレーニングデータ不足の問題を緩和する。 我々は、より多種多様なコヒーレントなサンプルを生成するために、スペクトルと時間拡張を組み合わせることを提案する。 5つの実世界の時系列データセットの実験では、STAugがデータ拡張なしでベースモデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2023-03-24T19:40:34Z)
• Neural Ordinary Differential Equation Model for Evolutionary Subspace Clustering and Its Applications [36.700813256689656]
  この制限を克服するために,進化的サブスペースクラスタリングのためのニューラルODEモデルを提案する。 本手法は,進化的サブスペースクラスタリングタスクにおいて,任意のステップでデータを補間するだけでなく,他の最先端手法よりも高い精度を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-07-22T07:02:03Z)
• Towards Synthetic Multivariate Time Series Generation for Flare Forecasting [5.098461305284216]
  データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。 本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
  論文  参考訳（メタデータ） (2021-05-16T22:23:23Z)

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。