論文の概要: TFEC: Multivariate Time-Series Clustering via Temporal-Frequency Enhanced Contrastive Learning

• arxiv url: http://arxiv.org/abs/2601.07550v1
• Date: Mon, 12 Jan 2026 13:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.423048
• Title: TFEC: Multivariate Time-Series Clustering via Temporal-Frequency Enhanced Contrastive Learning
• Title（参考訳）: TFEC:時間周波数強化コントラスト学習による多変量時系列クラスタリング
• Authors: Zexi Tan, Tao Xie, Haoyi Xiao, Baoyao Yang, Yuzhu Ji, An Zeng, Xiang Zhang, Yiqun Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.300584288382012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate Time-Series (MTS) clustering is crucial for signal processing and data analysis. Although deep learning approaches, particularly those leveraging Contrastive Learning (CL), are prominent for MTS representation, existing CL-based models face two key limitations: 1) neglecting clustering information during positive/negative sample pair construction, and 2) introducing unreasonable inductive biases, e.g., destroying time dependence and periodicity through augmentation strategies, compromising representation quality. This paper, therefore, proposes a Temporal-Frequency Enhanced Contrastive (TFEC) learning framework. To preserve temporal structure while generating low-distortion representations, a temporal-frequency Co-EnHancement (CoEH) mechanism is introduced. Accordingly, a synergistic dual-path representation and cluster distribution learning framework is designed to jointly optimize cluster structure and representation fidelity. Experiments on six real-world benchmark datasets demonstrate TFEC's superiority, achieving 4.48% average NMI gains over SOTA methods, with ablation studies validating the design. The code of the paper is available at: https://github.com/yueliangy/TFEC.
• Abstract（参考訳）: 多変量時間系列(MTS)クラスタリングは信号処理とデータ解析に不可欠である。 ディープラーニングアプローチ、特にコントラスト学習(CL)を活用するアプローチは、MSS表現において顕著だが、既存のCLベースのモデルは2つの重要な制限に直面している。 1)正・負のサンプルペア構築中にクラスタリング情報を無視し、 2)不合理な帰納バイアス,例えば時間依存や周期性を増大戦略によって破壊し,表現の質を損なう。 そこで本研究では,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。 したがって、クラスタ構造と表現忠実度を協調的に最適化するために、相乗的デュアルパス表現とクラスタ分布学習フレームワークが設計されている。 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。 論文のコードは、https://github.com/yueliangy/TFECで公開されている。

関連論文リスト

• DiEC: Diffusion Embedded Clustering [0.76629754443761]
  ディープクラスタリングは、明確なクラスタ構造を公開する表現に依存します。 従来のほとんどのメソッドは、オートエンコーダや自己教師付きエンコーダによる単一の埋め込みを学び、クラスタリングの第一の表現として扱う。 本研究では,事前学習した拡散U-Netの中間活性化を直接利用して,この軌道を利用する教師なしクラスタリングフレームワークであるEmbed Diffusion Clustering (DiEC)を提案する。
  論文  参考訳（メタデータ） (2025-12-24T03:10:00Z)
• Mask the Redundancy: Evolving Masking Representation Learning for Multivariate Time-Series Clustering [8.21087649188741]
  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。
  論文  参考訳（メタデータ） (2025-11-21T07:26:40Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• 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)
• 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)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Deep Temporal Contrastive Clustering [21.660509622172274]
  本稿では,時間差の深いクラスタリング手法を提案する。 対照的な学習パラダイムを、ディープ時系列クラスタリング研究に取り入れている。 様々な時系列データセットの実験は、最先端技術に対する我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2022-12-29T16:43:34Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)

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。