論文の概要: Joint Time Series Chain: Detecting Unusual Evolving Trend across Time Series

• arxiv url: http://arxiv.org/abs/2602.13649v1
• Date: Sat, 14 Feb 2026 07:41:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.313618
• Title: Joint Time Series Chain: Detecting Unusual Evolving Trend across Time Series
• Title（参考訳）: 連立時系列チェイン:時系列にまたがる異常進化傾向を検出する
• Authors: Li Zhang, Nital Patel, Xiuqi Li, Jessica Lin,
• Abstract要約: 時系列チェーンは、時系列において、遅かれ早かれ異常に進化する傾向を示す可能性がある。 既存の時系列連鎖の定義は、単一の時系列における連鎖を見つけることのみを考える。 textitJoint Time Series Chainと呼ばれる新しい定義を導入する。これは、割り切れた時系列または2つの関連する時系列の予期せぬ進化傾向を検出するタスクのために特別に設計されている。
• 参考スコア（独自算出の注目度）: 4.289575567786927
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series chain (TSC) is a recently introduced concept that captures the evolving patterns in large scale time series. Informally, a time series chain is a temporally ordered set of subsequences, in which consecutive subsequences in the chain are similar to one another, but the last and the first subsequences maybe be dissimilar. Time series chain has the great potential to reveal latent unusual evolving trend in the time series, or identify precursor of important events in a complex system. Unfortunately, existing definitions of time series chains only consider finding chains in a single time series. As a result, they are likely to miss unexpected evolving patterns in interrupted time series, or across two related time series. To address this limitation, in this work, we introduce a new definition called \textit{Joint Time Series Chain}, which is specially designed for the task of finding unexpected evolving trend across interrupted time series or two related time series. Our definition focuses on mitigating the robustness issues caused by the gap or interruption in the time series. We further propose an effective ranking criterion to identify the best chain. We demonstrate that our proposed approach outperforms existing TSC work in locating unusual evolving patterns through extensive empirical evaluations. We further demonstrate the utility of our work with a real-life manufacturing application from Intel. Our source code is publicly available at the supporting page https://github.com/lizhang-ts/JointTSC .
• Abstract（参考訳）: 時系列チェーン(TSC)は、大規模時系列の進化パターンをキャプチャする概念である。 直交的に、時系列連鎖(英: time series chain)は、時系列的に順序付けられた部分列の集合であり、連鎖の連続列は互いに類似しているが、最後の列と最初の列は異なっていたかもしれない。 時系列連鎖は、時系列において潜在する異常な進化傾向を明らかにしたり、複雑なシステムにおける重要な事象の前駆体を特定する大きな可能性を秘めている。 残念ながら、既存の時系列連鎖の定義では、単一の時系列における連鎖を見つけることしか考えていない。 その結果、中断された時系列、または関連する2つの時系列における予期せぬ進化パターンを見逃す可能性が高い。 この制限に対処するため、本稿では、割り切れた時系列または2つの関連する時系列にまたがる予期せぬ変動傾向を検出するタスクのために特別に設計された、‘textit{Joint Time Series Chain} という新しい定義を導入する。 私たちの定義では、時系列におけるギャップや中断に起因するロバスト性の問題を軽減することに重点を置いています。 さらに、最適な連鎖を特定するための効果的なランキング基準を提案する。 提案手法は, 広範囲な経験的評価を通じて, 異常な進化パターンの探索において, 既存のTSCよりも優れていることを示す。 我々はさらに,Intelのリアルタイム製造アプリケーションによる作業の有用性を実証する。 私たちのソースコードはサポートページ https://github.com/lizhang-ts/JointTSC で公開されています。

関連論文リスト

• DLGAN : Time Series Synthesis Based on Dual-Layer Generative Adversarial Networks [13.345872524896722]
  簡単な生成モデルである textbfDual-textbfLayer textbfGenerative textbfAdversarial textbfNetworks, textbfDLGAN を提案する。 まず、これら2つの段階が完全時系列オートエンコーダを形成し、元の時系列における教師あり学習を可能にし、復元プロセスがシーケンスの時間的依存関係を復元できるようにする。
  論文  参考訳（メタデータ） (2025-08-29T05:58:36Z)
• TiVy: Time Series Visual Summary for Scalable Visualization [32.33793043326047]
  時系列パターンを用いて時系列を要約する新しいアルゴリズムTiVyを提案する。 また,大規模時系列をリアルタイムにレンダリングするインタラクティブな時系列可視化も提案する。
  論文  参考訳（メタデータ） (2025-07-25T05:50:01Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Finding Short Signals in Long Irregular Time Series with Continuous-Time Attention Policy Networks [18.401817124823832]
  不規則にサンプリングされた時系列(ITS)は、医療のような高インパクト領域に固有のものであり、不均一な間隔で測定が時間とともに収集される。 入力系列の時系列の高関連部分を明示的に求め,多変量 ITS を分類するモデル CAT を提案する。 合成データと実データを用いて、CATは長い不規則な時系列で短い信号を見つけることで、最先端の10の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2023-02-08T13:44:36Z)
• Robust Time Series Chain Discovery with Incremental Nearest Neighbors [11.119354137386843]
  時系列データの連続的進化パターンを識別するために,時系列チェーンを時系列モチーフの拡張として導入した。 我々は、データ内のノイズに対してより堅牢な新しいTSC定義を導入する。 発見された連鎖をランク付けする2つの新しい品質指標を提案する。
  論文  参考訳（メタデータ） (2022-11-03T21:05:57Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Modeling Regime Shifts in Multiple Time Series [1.4588552933974936]
  レジームシフト(Regime shift)とは、時系列によって異なる時間間隔で表される変動行動を指す。 既存の手法では、時系列間の関係を考慮に入れず、複数の時系列における状態の発見に失敗する。 既存のメソッドのほとんどは、統一されたフレームワークでこれらの3つの問題すべてを扱うことができません。
  論文  参考訳（メタデータ） (2021-09-20T17:02:29Z)

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。