論文の概要: HELIX: Hybrid Encoding with Learnable Identity and Cross-dimensional Synthesis for Time Series Imputation

• arxiv url: http://arxiv.org/abs/2605.02278v1
• Date: Mon, 04 May 2026 07:09:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.167582
• Title: HELIX: Hybrid Encoding with Learnable Identity and Cross-dimensional Synthesis for Time Series Imputation
• Title（参考訳）: HELIX: 時系列インプットのための学習可能なアイデンティティとクロス次元合成によるハイブリッド符号化
• Authors: Fengming Zhang, Wenjie Du, Huan Zhang, Ke Yu, Shen Qu,
• Abstract要約: 時系列計算の利点は、相互相関の活用にある。 既存の注意に基づく手法は、各層における特徴関係を再発見する。 本稿では,各特徴を学習可能な特徴識別に割り当てるHELIXを提案する。
• 参考スコア（独自算出の注目度）: 14.247555410538148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series imputation benefits from leveraging cross-feature correlations, yet existing attention-based methods re-discover feature relationships at each layer, lacking persistent anchors to maintain consistent representations. To address this, we propose HELIX, which assigns each feature a learnable feature identity, a persistent embedding that captures intrinsic semantic properties throughout the network. Unlike graph-based methods that rely on predefined topology and assume homogeneous spatial relationships, HELIX learns arbitrary feature dependencies end-to-end from temporal co-variation, naturally handling datasets where features mix spatial locations with semantic variables. Integrated with hybrid temporal-feature attention, HELIX achieves the state-of-the-art performance, surpassing all 16 baselines on 5 public datasets across 21 experimental settings in our evaluation. Furthermore, our mechanistic analysis reveals that HELIX aligns learned feature identities and dependencies with latent physical and semantic structure progressively across layers, demonstrating that it more effectively translates cross-feature structure into imputation accuracy.
• Abstract（参考訳）: 時系列計算の利点は、機能間の相関を活用することにあるが、既存の注意ベースのメソッドは各レイヤにおける機能関係を再発見し、一貫性のある表現を維持するために永続的なアンカーを欠いている。 そこで本研究では,各特徴を学習可能な特徴識別に割り当てるHELIXを提案する。 事前定義された位相に依存し、均質な空間関係を仮定するグラフベースの手法とは異なり、HELIXは時間的共変から任意の特徴依存を学習し、特徴が空間的位置と意味的変数を混合するデータセットを自然に扱う。 HELIXは、ハイブリッドな時間的注意と統合され、21の実験的な設定で5つの公開データセット上で16のベースラインを越え、最先端のパフォーマンスを達成する。 さらに,我々は,HELIXが学習した特徴の同一性や依存関係を,階層にまたがる潜在物理的・意味的構造と漸進的に一致させ,機能的構造をより効果的に計算精度に翻訳することを示した。

関連論文リスト

• Integrating Temporal and Structural Context in Graph Transformers for Relational Deep Learning [6.780460717949915]
  直近の領域を越えてノードを検索することで,グローバルなコンテキストを向上する時空間サブグラフサンプリング手法を提案する。 また,リレーショナルディープラーニングのためのグラフトランスフォーマーアーキテクチャであるGraph Perceiver (RGP)を提案する。 RGPは最先端のパフォーマンスを提供し、リレーショナルディープラーニングのための汎用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-11-06T17:08:21Z)
• Graph Structure Learning for Spatial-Temporal Imputation: Adapting to Node and Feature Scales [29.499581329290805]
  空間時間インプット(GSLI)のためのマルチスケールグラフ構造学習フレームワークについて紹介する。 本フレームワークは,異なる特徴の異なるグローバル空間相関に対応するために,ノードスケールグラフ構造学習を包含する。 我々のフレームワークは、プロミネンスモデリングと統合され、計算過程においてより重要なノードと特徴を強調します。
  論文  参考訳（メタデータ） (2024-12-24T16:34:50Z)
• Spatial-Temporal Knowledge-Embedded Transformer for Video Scene Graph Generation [64.85974098314344]
  映像シーングラフ生成(VidSGG)は、映像シーン内の物体を特定し、その映像との関係を推測することを目的としている。 因みに、オブジェクトペアとその関係は、各画像内の空間的共起相関と、異なる画像間の時間的一貫性/遷移相関を享受する。 本稿では,従来の空間的時間的知識をマルチヘッド・クロスアテンション機構に組み込んだ時空間的知識埋め込み型トランス (STKET) を提案する。
  論文  参考訳（メタデータ） (2023-09-23T02:40:28Z)
• Unified and Dynamic Graph for Temporal Character Grouping in Long Videos [31.192044026127032]
  ビデオ時間的キャラクタグループ化は、ビデオ内の主要なキャラクタの出現モーメントを、そのアイデンティティに応じて特定する。 最近の研究は、教師なしクラスタリングからグラフベースのクラスタリングへと進化してきた。 時間的文字グループ化のための統一動的グラフ(UniDG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-27T13:22:55Z)
• Spatial and Semantic Consistency Regularizations for Pedestrian Attribute Recognition [50.932864767867365]
  本稿では,各属性に対する空間的および意味的一貫性を実現するために,2つの相補的正規化からなるフレームワークを提案する。 属性の正確な位置に基づいて,本質的および識別的意味的特徴を抽出する意味的整合性正規化を提案する。 その結果,提案手法はパラメータを増大させることなく,最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-09-13T03:36:44Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。