論文の概要: Deep Distance Measurement Method for Unsupervised Multivariate Time Series Similarity Retrieval

• arxiv url: http://arxiv.org/abs/2603.12544v1
• Date: Fri, 13 Mar 2026 01:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.827478
• Title: Deep Distance Measurement Method for Unsupervised Multivariate Time Series Similarity Retrieval
• Title（参考訳）: 教師なし多変量時系列類似性検索のための深部距離測定法
• Authors: Susumu Naito, Kouta Nakata, Yasunori Taguchi,
• Abstract要約: DDMMは時系列全体における状態間の微妙な違いの学習を可能にする。 DDMMはPulp-and-paper millデータセット上で,最先端の時系列表現学習法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.509780930114934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose the Deep Distance Measurement Method (DDMM) to improve retrieval accuracy in unsupervised multivariate time series similarity retrieval. DDMM enables learning of minute differences within states in the entire time series and thereby recognition of minute differences between states, which are of interest to users in industrial plants. To achieve this, DDMM uses a learning algorithm that assigns a weight to each pair of an anchor and a positive sample, arbitrarily sampled from the entire time series, based on the Euclidean distance within the pair and learns the differences within the pairs weighted by the weights. This algorithm allows both learning minute differences within states and sampling pairs from the entire time series. Our empirical studies showed that DDMM significantly outperformed state-of-the-art time series representation learning methods on the Pulp-and-paper mill dataset and demonstrated the effectiveness of DDMM in industrial plants. Furthermore, we showed that accuracy can be further improved by linking DDMM with existing feature extraction methods through experiments with the combined model.
• Abstract（参考訳）: 本稿では,非教師付き多変量時系列類似度検索における検索精度を向上させるため,DDMM(Deep Distance Measurement Method)を提案する。 DDMMは、時系列全体における状態間の微妙な差異の学習を可能にし、工業プラントの利用者にとって関心のある状態間の微妙な差異の認識を可能にする。 これを達成するためにDDMMは、アンカーの各ペアと正のサンプルに重みを割り当てる学習アルゴリズムを用いて、ペア内のユークリッド距離に基づいて時系列全体から任意にサンプリングし、重みによって重み付けされたペア内の差を学習する。 このアルゴリズムは、状態内の微小な違いを学習し、時系列全体からペアをサンプリングすることを可能にする。 実験により,DDMMはPulp-and-paper millデータセット上で,最先端の時系列表現学習法よりも優れており,工業プラントにおけるDDMMの有効性が示された。 さらに, DDMMと既存特徴抽出手法を組み合わせた実験によりリンクすることで, さらに精度を向上できることを示した。

関連論文リスト

• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• BADM: Batch ADMM for Deep Learning [35.39258144247444]
  勾配降下に基づくアルゴリズムはディープニューラルネットワークのトレーニングに広く用いられているが、しばしば収束が遅い。 我々は、乗算器の交互方向法(ADMM)の枠組みを利用して、バッチADMM(Batch ADMM)と呼ばれる新しいデータ駆動アルゴリズムを開発する。 我々は,グラフモデリング,コンピュータビジョン,画像生成,自然言語処理など,さまざまなディープラーニングタスクにおけるBADMの性能を評価する。
  論文  参考訳（メタデータ） (2024-06-30T20:47:15Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Pyramidal Hidden Markov Model For Multivariate Time Series Forecasting [0.0]
  隠れマルコフモデル(HMM)は、その現在の値と以前の値に基づいて時系列の将来値を予測することができる。 本稿では,複数の多段階状態をキャプチャ可能なピラミッド隠れマルコフモデル(PHMM)を提案する。
  論文  参考訳（メタデータ） (2023-10-22T16:17:24Z)
• Learning Hidden Markov Models Using Conditional Samples [72.20944611510198]
  本稿では,隠れマルコフモデル(HMM)の学習における計算複雑性について述べる。 本稿では,HMMの条件分布からサンプルを問合せする対話型アクセスモデルを提案する。 具体的には、正確な条件付き確率に対するクエリアクセスが可能な設定において、HMMを学習するための効率的なアルゴリズムを得る。
  論文  参考訳（メタデータ） (2023-02-28T16:53:41Z)

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。