論文の概要: Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2601.18803v1
• Date: Thu, 15 Jan 2026 03:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 02:21:38.514638
• Title: Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series
• Title（参考訳）: 多変量時系列における教師なし発見のための潜在構造類似ネットワーク
• Authors: Olusegun Owoeye,
• Abstract要約: 教師なしシーケンス・ツー・シーケンス・オートエンコーダを用いてウィンドウレベルのシーケンス表現を学習する。 遅延空間類似度尺度をしきい値にすることで、スパース類似性ネットワークを誘導する。 このネットワークは、ペアの検索空間を圧縮する分析可能な抽象化として意図されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a task-agnostic discovery layer for multivariate time series that constructs a relational hypothesis graph over entities without assuming linearity, stationarity, or a downstream objective. The method learns window-level sequence representations using an unsupervised sequence-to-sequence autoencoder, aggregates these representations into entity-level embeddings, and induces a sparse similarity network by thresholding a latent-space similarity measure. This network is intended as an analyzable abstraction that compresses the pairwise search space and exposes candidate relationships for further investigation, rather than as a model optimized for prediction, trading, or any decision rule. The framework is demonstrated on a challenging real-world dataset of hourly cryptocurrency returns, illustrating how latent similarity induces coherent network structure; a classical econometric relation is also reported as an external diagnostic lens to contextualize discovered edges.
• Abstract（参考訳）: 本稿では, 線形性, 定常性, 下流目標を仮定することなく, 実体上の関係仮説グラフを構築する多変量時系列のタスク非依存探索層を提案する。 この方法は、教師なしシーケンス対シーケンスオートエンコーダを用いてウィンドウレベルのシーケンス表現を学習し、これらの表現をエンティティレベルの埋め込みに集約し、潜在空間類似度尺度をしきい値にすることでスパース類似性ネットワークを誘導する。 このネットワークは、予測、トレーディング、決定ルールに最適化されたモデルとしてではなく、ペアワイズ検索空間を圧縮し、さらなる調査のための候補関係を公開する分析可能な抽象化として意図されている。 このフレームワークは、時間ごとの暗号通貨リターンの挑戦的な実世界のデータセット上で実証され、遅延類似性がコヒーレントネットワーク構造をいかに引き起こすかが説明されている。

関連論文リスト

• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
  本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。 複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。 その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-08-13T00:35:58Z)
• Learning Representations of Event Time Series with Sparse Autoencoders for Anomaly Detection, Similarity Search, and Unsupervised Classification [0.005439329219803859]
  イベント時系列は、不規則な時間間隔で発生する離散イベントのシーケンスである。 これらは高エネルギー天体物理学、計算社会科学、サイバーセキュリティ、金融、医療、神経科学、地震学などの領域でよく見られる。 本稿では,イベント時系列の2次元および3次元テンソル表現と,物理的に意味のある潜在表現を学習するスパースオートエンコーダを提案する。
  論文  参考訳（メタデータ） (2025-07-15T18:01:03Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Layer-stacked Attention for Heterogeneous Network Embedding [0.0]
  レイヤスタックATTention Embedding (LATTE)は、各レイヤで上位のメタ関係を自動的に分解するアーキテクチャである。 LATTEは、異なる近傍範囲の異なるタイプのノードに対して、より解釈可能なアグリゲーションスキームを提供する。 帰納的ノード分類タスクと帰納的ノード分類タスクの両方において、LATTEは既存のアプローチと比較して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-09-17T05:13:41Z)
• Moment-Matching Graph-Networks for Causal Inference [0.0]
  本報告では、観測学習データから非線形構造方程式モデルをシミュレートするための、完全に教師なしのディープラーニングフレームワークについて述べる。 このノートの主な貢献は、因果ベイズグラフのエッジにモーメントマッチング損失関数を適用するアーキテクチャであり、それによって生成条件-モーメントマッチンググラフ-ニューラルネットが生成される。
  論文  参考訳（メタデータ） (2020-07-20T22:07:43Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。