論文の概要: T1: One-to-One Channel-Head Binding for Multivariate Time-Series Imputation

• arxiv url: http://arxiv.org/abs/2602.21043v1
• Date: Tue, 24 Feb 2026 16:03:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.82804
• Title: T1: One-to-One Channel-Head Binding for Multivariate Time-Series Imputation
• Title（参考訳）: T1:多変量時間列インプットのための1対1チャネルヘッドバインディング
• Authors: Dongik Park, Hyunwoo Ryu, Suahn Bae, Keondo Park, Hyung-Sin Kim,
• Abstract要約: さまざまな欠落パターンと重い欠落の下で、時系列で欠落する価値を示唆することは困難である。 本稿では,頑健な計算を実現するCNN-TransformerハイブリッドアーキテクチャであるT1(Time series imputation with 1-to-1 channel-head binding)を紹介する。 T1は最先端の性能を達成し、MSEを2番目に高いベースラインに比べて平均46%削減する。
• 参考スコア（独自算出の注目度）: 6.002503434201551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imputing missing values in multivariate time series remains challenging, especially under diverse missing patterns and heavy missingness. Existing methods suffer from suboptimal performance as corrupted temporal features hinder effective cross-variable information transfer, amplifying reconstruction errors. Robust imputation requires both extracting temporal patterns from sparse observations within each variable and selectively transferring information across variables--yet current approaches excel at one while compromising the other. We introduce T1 (Time series imputation with 1-to-1 channel-head binding), a CNN-Transformer hybrid architecture that achieves robust imputation through Channel-Head Binding--a mechanism creating one-to-one correspondence between CNN channels and attention heads. This design enables selective information transfer: when missingness corrupts certain temporal patterns, their corresponding attention pathways adaptively down-weight based on remaining observable patterns while preserving reliable cross-variable connections through unaffected channels. Experiments on 11 benchmark datasets demonstrate that T1 achieves state-of-the-art performance, reducing MSE by 46% on average compared to the second-best baseline, with particularly strong gains under extreme sparsity (70% missing ratio). The model generalizes to unseen missing patterns without retraining and uses a consistent hyperparameter configuration across all datasets. The code is available at https://github.com/Oppenheimerdinger/T1.
• Abstract（参考訳）: 多変量時系列における欠落を示唆することは、特に多様な欠落パターンと重い欠落の下では、依然として困難である。 既存の手法では, 時間的特性の劣化が効果的な情報伝達を阻害し, 復元誤差を増幅するため, 最適性能に悩まされている。 ロバスト計算は、各変数内のスパース観測から時間パターンを抽出することと、変数間で情報を選択的に転送することの両方を必要とする。 本稿では,CNNチャネルとアテンションヘッドを1対1で対応させる機構であるT1(Time series imputation with 1-to-1 channel-head binding)をCNN-Transformerハイブリッドアーキテクチャで導入する。 この設計により、選択的な情報伝達が可能となり、ある時間的パターンが失われると、その注意経路は、影響を受けないチャネルを通して信頼できるクロス変数接続を維持しながら、残りの観測可能なパターンに基づいて適応的にダウンウェイトする。 11のベンチマークデータセットの実験では、T1は最先端のパフォーマンスを達成し、MSEを2番目に高いベースラインに比べて平均46%削減している。 このモデルは、再トレーニングすることなく、欠落したパターンを見えないように一般化し、すべてのデータセットに一貫したハイパーパラメータ構成を使用する。 コードはhttps://github.com/Oppenheimerdinger/T1.comから入手できる。

関連論文リスト

• A Statistical Approach for Modeling Irregular Multivariate Time Series with Missing Observations [21.49782595218257]
  不十分な値を持つ不規則な時系列は、医療などの領域における予測モデリングに重大な課題をもたらす。 本手法は,観測値の標準偏差と,連続観測における変化の平均と変動率の4つの重要な特徴を計算した。 AUROC/AUPRCは0.5-1.7%、F1スコアは1.1-1.7%である。
  論文  参考訳（メタデータ） (2026-02-23T05:48:17Z)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• Temporal Query Network for Efficient Multivariate Time Series Forecasting [6.11517982716931]
  本稿では,TQ(Temporal Query)と呼ばれる新しい手法を提案する。 TQ技術に基づいて、TQNet(Temporal Query Network)というシンプルなモデルを構築した。 実験によると、TQNetはより堅牢な多変量相関を学習し、12の挑戦的な実世界のデータセットに対して最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2025-05-19T09:55:10Z)
• Decomposition-based multi-scale transformer framework for time series anomaly detection [0.9438207505148947]
  時系列異常検出のための分解(TransDe)に基づくトランスフォーマーベースのフレームワークを提案する。 時系列の各分解成分の代表的な依存関係を利用するために,マルチスケールのパッチベースのトランスフォーマーアーキテクチャを提案する。 TransDeの性能を効果的に向上するために、停止段階の戦略を持つ新しい非同期損失関数を導入した。
  論文  参考訳（メタデータ） (2025-04-19T06:47:38Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端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） (2024-01-11T10:10:16Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。