論文の概要: ROMAN: A Multiscale Routing Operator for Convolutional Time Series Models

• arxiv url: http://arxiv.org/abs/2604.02577v1
• Date: Thu, 02 Apr 2026 23:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.241849
• Title: ROMAN: A Multiscale Routing Operator for Convolutional Time Series Models
• Title（参考訳）: ROMAN:畳み込み時系列モデルのためのマルチスケールルーティング演算子
• Authors: Gonzalo Uribarri,
• Abstract要約: 本稿では,時間的スケールと粗い時間的位置を明示的なチャネル構造にマッピングする時系列の決定論的演算子ROMANを紹介する。 我々は、粗い位置認識と長距離相関を分離する合成時系列分類タスクを設計する。 UCRおよびUEAアーカイブの長いシーケンスサブセット上で、ROMANおよび非ROMANで同じモデルをベンチマークする。
• 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: We introduce ROMAN (ROuting Multiscale representAtioN), a deterministic operator for time series that maps temporal scale and coarse temporal position into an explicit channel structure while reducing sequence length. ROMAN builds an anti-aliased multiscale pyramid, extracts fixed-length windows from each scale, and stacks them as pseudochannels, yielding a compact representation on which standard convolutional classifiers can operate. In this way, ROMAN provides a simple mechanism to control the inductive bias of downstream models: it can reduce temporal invariance, make temporal pooling implicitly coarse-position-aware, and expose multiscale interactions through channel mixing, while often improving computational efficiency by shortening the processed time axis. We formally analyze the ROMAN operator and then evaluate it in two complementary ways by measuring its impact as a preprocessing step for four representative convolutional classifiers: MiniRocket, MultiRocket, a standard CNN-based classifier, and a fully convolutional network (FCN) classifier. First, we design synthetic time series classification tasks that isolate coarse position awareness, long-range correlation, multiscale interaction, and full positional invariance, showing that ROMAN behaves consistently with its intended mechanism and is most useful when class information depends on temporal structure that standard pooled convolution tends to suppress. Second, we benchmark the same models with and without ROMAN on long-sequence subsets of the UCR and UEA archives, showing that ROMAN provides a practically useful alternative representation whose effect on accuracy is task-dependent, but whose effect on efficiency is often favorable. Code is available at https://github.com/gon-uri/ROMAN
• Abstract（参考訳）: 時系列の時間的スケールと時間的位置の粗い位置を明示的なチャネル構造にマッピングし、シーケンス長を減らしながら、時間列の決定論的演算子ROMAN(ROuting Multiscale representAtioN)を導入する。 ROMANは、アンチエイリアス化されたマルチスケールピラミッドを構築し、各スケールから固定長のウィンドウを抽出し、それらを擬似チャネルとして積み上げ、標準の畳み込み分類器が動作可能なコンパクトな表現を生成する。 このようにして、ROMANは、ダウンストリームモデルの帰納バイアスを制御するための単純なメカニズムを提供する。これは、時間的不変性を低減し、時間的プールを暗黙的に粗い位置認識させ、チャネル混合を通じてマルチスケールの相互作用を公開するとともに、処理された時間軸を短くすることで計算効率を向上する。 我々は、ROMAN演算子を正式に解析し、その影響を、MiniRocket、MultiRocket、標準CNNベースの分類器、完全畳み込みネットワーク(FCN)分類器の4つの代表的な畳み込み分類器に対する前処理ステップとして測定することで、2つの補完的な方法で評価する。 まず,粗い位置認識,長距離相関,マルチスケール相互作用,および全位置不変性を分離した時系列分類タスクを設計し,ROMANが意図したメカニズムと一貫して振る舞うことを示す。 第2に, ROMAN を UCR および UEA アーカイブの長いシーケンスサブセット上で, ROMAN を用いてベンチマークし, ROMAN がタスク依存型であり, 効率への影響が好ましく, 実用的な代替表現を提供することを示した。 コードはhttps://github.com/gon-uri/ROMANで入手できる。

関連論文リスト

• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Reduced-order modeling of unsteady fluid flow using neural network ensembles [0.0]
  本稿では,一般的なアンサンブル学習手法であるバッグングを用いて,完全なデータ駆動型リダクションモデルフレームワークを開発することを提案する。 このフレームワークはCAEを用いて全階モデルとLSTMアンサンブルの空間的再構成を行い、時系列予測を行う。 その結果,提案フレームワークはエラーの伝播を効果的に低減し,未確認点における潜伏変数の時系列予測をより正確に行うことができることがわかった。
  論文  参考訳（メタデータ） (2024-02-08T03:02:59Z)
• TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
  トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。 新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-01T08:33:16Z)
• 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)
• DCSF: Deep Convolutional Set Functions for Classification of Asynchronous Time Series [5.339109578928972]
  非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。 本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。 我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
  論文  参考訳（メタデータ） (2022-08-24T08:47:36Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• 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)
• Temporal-attentive Covariance Pooling Networks for Video Recognition [52.853765492522655]
  既存のビデオアーキテクチャは、通常、単純なグローバル平均プール法(GAP)を用いてグローバル表現を生成する。 本稿では,深いアーキテクチャの端に挿入される減衰共分散プーリング(TCP-TCP)を提案する。 我々のTCPはモデルに依存しないため、任意のビデオアーキテクチャに柔軟に統合できるため、効果的なビデオ認識のためのTCPNetとなる。
  論文  参考訳（メタデータ） (2021-10-27T12:31:29Z)

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。