論文の概要: VARTS: A Tool for the Visualization and Analysis of Representative Time Series Data

• arxiv url: http://arxiv.org/abs/2601.01361v1
• Date: Sun, 04 Jan 2026 04:18:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.252966
• Title: VARTS: A Tool for the Visualization and Analysis of Representative Time Series Data
• Title（参考訳）: VARTS: 代表時系列データの可視化と解析のためのツール
• Authors: Duosi Jin, Jianqiu Xu, Guidong Zhang,
• Abstract要約: VARTSは、時系列の選択と視覚化のためのインタラクティブなビジュアル分析ツールである。 VARTSは、本質的なデータパターンを保存しながら冗長性を低減し、大規模時系列解析のための視覚的明瞭度と解釈性を効果的に向上する。
• 参考スコア（独自算出の注目度）: 2.392329079182226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale time series visualization often suffers from excessive visual clutter and redundant patterns, making it difficult for users to understand the main temporal trends. To address this challenge, we present VARTS, an interactive visual analytics tool for representative time series selection and visualization. Building upon our previous work M4-Greedy, VARTS integrates M4-based sampling, DTW-based similarity computation, and greedy selection into a unified workflow for the identification and visualization of representative series. The tool provides a responsive graphical interface that allows users to import time series datasets, perform representative selection, and visualize both raw and reduced data through multiple coordinated views. By reducing redundancy while preserving essential data patterns, VARTS effectively enhances visual clarity and interpretability for large-scale time series analysis. The demo video is available at https://youtu.be/mS9f12Rf0jo.
• Abstract（参考訳）: 大規模時系列の可視化は、しばしば過度の視覚的乱雑と冗長なパターンに悩まされ、ユーザが主要な時間的傾向を理解するのが難しくなる。 この課題に対処するため、我々は、時系列の選択と視覚化のためのインタラクティブなビジュアル分析ツールであるVARTSを紹介した。 これまでのM4-Greedyに基づいて、VARTSはM4ベースのサンプリング、DTWベースの類似性計算、およびgreedy選択を、代表系列の識別と視覚化のための統合ワークフローに統合する。 このツールは応答性のあるグラフィカルインターフェースを提供しており、ユーザは時系列データセットをインポートし、代表選択を実行し、複数のコーディネートされたビューを通して生データと縮小データの両方を視覚化することができる。 VARTSは、本質的なデータパターンを保存しながら冗長性を低減し、大規模時系列解析のための視覚的明瞭度と解釈性を効果的に向上する。 デモビデオはhttps://youtu.be/mS9f12Rf0jo.comで公開されている。

関連論文リスト

• MLLM4TS: Leveraging Vision and Multimodal Language Models for General Time-Series Analysis [35.17244645389017]
  MLLM4TSは,マルチモーダルな大規模言語モデルを利用して時系列解析を行う新しいフレームワークである。 各時系列チャンネルは、1つの合成画像において水平に重ねられたカラー符号化された線プロットとして描画される。 時間対応の視覚パッチアライメント戦略では、視覚パッチを対応する時間セグメントにアライメントする。
  論文  参考訳（メタデータ） (2025-10-08T20:22:39Z)
• VIFO: Visual Feature Empowered Multivariate Time Series Forecasting with Cross-Modal Fusion [30.95449991386488]
  時系列モデルのための時空間予測モデルVIFOを提案する。 多変量時系列をイメージ化し、事前訓練されたLVMで複雑なチャネル間のパターンを抽出する。 複数のベンチマークで競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-25T14:02:26Z)
• Time Series Representations for Classification Lie Hidden in Pretrained Vision Transformers [49.07665715422702]
  時系列を画像に変換するフレームワークであるTime Vision Transformer (TiViT) を提案する。 標準時系列分類ベンチマークにおいて, TiViT が最先端の性能を達成することを示す。 本研究は,非視覚領域における視覚表現の再利用に向けた新たな方向を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-10T09:54:51Z)
• UniRS: Unifying Multi-temporal Remote Sensing Tasks through Vision Language Models [23.044366104080822]
  textbfUniRSは視覚言語モデルとして最初のbftextremote bftextsensingタスクである。 UniRSはシングルイメージ、デュアルタイムイメージペア、ビデオを入力としてサポートし、総合的なリモートセンシング時間分析を可能にする。 実験の結果、UniRSは様々なタスクで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2024-12-30T06:34:18Z)
• Less is More: High-value Data Selection for Visual Instruction Tuning [127.38740043393527]
  本稿では,視覚的命令データの冗長性を排除し,トレーニングコストを削減するために,高価値なデータ選択手法TIVEを提案する。 約15%のデータしか使用していない我々のアプローチは、8つのベンチマークで全データ微調整モデルに匹敵する平均性能を実現することができる。
  論文  参考訳（メタデータ） (2024-03-14T16:47:25Z)
• Expressing Multivariate Time Series as Graphs with Time Series Attention Transformer [14.172091921813065]
  多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。 TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。 TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-19T12:25:56Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• SynopSet: Multiscale Visual Abstraction Set for Explanatory Analysis of DNA Nanotechnology Simulations [60.05887213349294]
  DNAナノテクノロジー領域における分子動力学シミュレーション(MDS)の説明的解析のための視覚表現の連続性を持つ新しい抽象集合(SynopSet)を提案する。 この集合はまた、すべての空間的および時間的詳細と全ての構造的複雑さを示すことができるように設計されている。 我々の表現の集合は、SynopSpaceと呼ばれる可視化空間に体系的に配置できることを示してきた。
  論文  参考訳（メタデータ） (2022-04-18T06:53:52Z)
• VizAI : Selecting Accurate Visualizations of Numerical Data [2.6039035727217907]
  VizAIは、データの様々な統計特性を最初に生成する生成的識別フレームワークである。 これは、視覚化されるデータの真の統計に最もよく一致する視覚化を選択する識別モデルにリンクされている。 VizAIは、最小限の監督で容易に訓練でき、様々な監督レベルの設定に適応できる。
  論文  参考訳（メタデータ） (2021-11-07T22:05:44Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)

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。