論文の概要: Univariate Channel Fusion for Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2604.16119v1
• Date: Fri, 17 Apr 2026 14:54:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.964399
• Title: Univariate Channel Fusion for Multivariate Time Series Classification
• Title（参考訳）: 多変量時系列分類のための一変量チャネル融合
• Authors: Fernando Moro, Vinicius M. A. Souza,
• Abstract要約: MTSCを効率的に扱うために,Univariate Channel Fusion (UCF)法を提案する。 我々は,化学モニタリング,脳-コンピュータインタフェース,人間の活動分析など,多様な応用分野をカバーする5つのケーススタディでUCFを評価した。 その結果,UTFはMTSCに適したベースライン手法や最先端アルゴリズムよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series classification (MTSC) plays a crucial role in various domains, including biomedical signal analysis and motion monitoring. However, existing approaches, particularly deep learning models, often require high computational resources, making them unsuitable for real-time applications or deployment on low-cost hardware, such as IoT devices and wearable systems. In this paper, we propose the Univariate Channel Fusion (UCF) method to deal with MTSC efficiently. UCF transforms multivariate time series into a univariate representation through simple channel fusion strategies such as the mean, median, or dynamic time warping barycenter. This transformation enables the use of any classifier originally designed for univariate time series, providing a flexible and computationally lightweight alternative to complex models. We evaluate UCF in five case studies covering diverse application domains, including chemical monitoring, brain-computer interfaces, and human activity analysis. The results demonstrate that UCF often outperforms baseline methods and state-of-the-art algorithms tailored for MTSC, while achieving substantial gains in computational efficiency, being particularly effective in problems with high inter-channel correlation.
• Abstract（参考訳）: 多変量時系列分類(MTSC)は、生体信号分析やモーションモニタリングなど、様々な領域において重要な役割を担っている。 しかし、既存のアプローチ、特にディープラーニングモデルは、しばしば高い計算資源を必要とするため、リアルタイムアプリケーションやIoTデバイスやウェアラブルシステムのような低コストなハードウェアへのデプロイには適さない。 本稿では,MTSC を効率的に処理する Univariate Channel Fusion (UCF) 法を提案する。 UCFは、平均、中央値、動的時間ワープバリセンタといった単純なチャネル融合戦略を通じて、多変量時系列を一変量表現に変換する。 この変換は、もともと単変量時系列用に設計された任意の分類器の使用を可能にし、複雑なモデルに対する柔軟で計算的に軽量な代替手段を提供する。 我々は,化学モニタリング,脳-コンピュータインタフェース,人間の活動分析など,多様な応用分野をカバーする5つのケーススタディでUCFを評価した。 その結果, UCFはMTSCに適したベースライン法や最先端アルゴリズムよりも優れ, 高いチャネル間相関を持つ問題では特に有効であることがわかった。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• PRISM: Lightweight Multivariate Time-Series Classification through Symmetric Multi-Resolution Convolutional Layers [0.0]
  PRISM (Per-channel Resolution-Informed Symmetric Module) は、対称有限インパルス応答フィルタを複数の時間スケールで適用する畳み込み型特徴抽出器である。 人間の活動、睡眠ステージ、バイオメディカルベンチマーク全体にわたって、PRISMはCNNとTransformerのベースラインをマッチまたは上回る。
  論文  参考訳（メタデータ） (2025-08-06T14:50:25Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
  本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。 我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。 提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
  論文  参考訳（メタデータ） (2024-06-06T05:27:33Z)
• Correlated Attention in Transformers for Multivariate Time Series [22.542109523780333]
  本稿では,特徴量依存を効率的に捕捉し,既存のトランスフォーマーのエンコーダブロックにシームレスに統合できる新しいアテンション機構を提案する。 特に、関連性のある注意は、特徴チャネルを横断して、クエリとキー間の相互共分散行列をラグ値で計算し、サブシリーズレベルで選択的に表現を集約する。 このアーキテクチャは、瞬時だけでなく、ラタグされた相互相関の発見と表現の学習を容易にすると同時に、本質的に時系列の自動相関をキャプチャする。
  論文  参考訳（メタデータ） (2023-11-20T17:35:44Z)
• Enhancing Transformer Efficiency for Multivariate Time Series Classification [12.128991867050487]
  本稿では,モデル効率と精度,複雑さの関係を考察する手法を提案する。 ベンチマークMSSデータセットの総合実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-28T03:25:19Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。