論文の概要: Scalable inference of spatial regions and temporal signatures from time series

• arxiv url: http://arxiv.org/abs/2605.05008v1
• Date: Wed, 06 May 2026 15:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.893107
• Title: Scalable inference of spatial regions and temporal signatures from time series
• Title（参考訳）: 時系列からの空間領域と時間的シグネチャのスケーラブル推論
• Abstract要約: 地域化は、空間領域を同様の特徴を持つ連続した領域に分割することを目的としている。 既存の空間的局所化のアプローチは、進化する時系列ではなく静的な空間的スナップショットに依存するのが一般的である。 本研究では,空間時系列の局所化のための効率的で完全に非線形なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regionalization aims to partition a spatial domain into contiguous regions that share similar characteristics, enabling more effective spatial analysis, policy making, and resource management. Existing approaches for spatial regionalization typically rely on static spatial snapshots rather than evolving time series. Meanwhile, most time series clustering methods ignore spatial structure or enforce spatial continuity through ad hoc regularization, constraining the number of inferred regions a priori either explicitly or implicitly. Utilizing the minimum description length principle from information theory, here we propose an efficient and fully nonparametric framework for the regionalization of spatial time series. Our method jointly infers a spatial partition along with a set of representative time series archetypes ("drivers") that best compress a spatiotemporal dataset, with a runtime log-linear in the number of time series. We demonstrate that this method can accurately recover planted regional structure and drivers in synthetic time series, and can extract meaningful structural regularities in large-scale empirical air quality and vegetation index records. Our method provides a principled and scalable framework for spatially contiguous partitioning, allowing interpretable temporal patterns and homogeneous regions to emerge directly from the data itself.
• Abstract（参考訳）: 地域化は、空間領域を同様の特徴を持つ連続した領域に分割することを目的としており、より効果的な空間分析、政策作成、資源管理を可能にしている。 既存の空間的局所化のアプローチは、進化する時系列ではなく静的な空間的スナップショットに依存するのが一般的である。 一方、ほとんどの時系列クラスタリング手法は、空間構造を無視したり、アドホックな正規化を通じて空間連続性を強制し、推論された領域の数を明示的にまたは暗黙的に制限する。 本稿では,最小記述長の原理を情報理論から利用し,空間時系列の局所化のための効率的かつ完全に非パラメトリックな枠組みを提案する。 提案手法は,時空間データセットを最適に圧縮する代表的な時系列アーチタイプ(ドライバ)の集合とともに,空間分割を共同で推論する。 本手法は, 人工時系列において, 植林された地域構造とドライバを正確に復元し, 大規模空気質および植生指標記録において有意義な構造規則性を抽出できることを実証する。 本手法は空間的に連続的な分割を行うための原理的かつスケーラブルなフレームワークを提供し,データ自体から直接解釈可能な時間的パターンと均一な領域が出現することを可能にする。

関連論文リスト

• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• DAS-PINNs for high-dimensional partial differential equations: extending deep adaptive sampling to spacetime domains [0.0]
  局所的および動的に進化する解を持つ時間依存偏微分方程式(PDE)は、物理インフォームドニューラルネットワーク(PINN)に根本的な課題をもたらす 本研究では,PINNの適応的フレームワークを拡張し,時間と空間を明示的な時間マーキングを伴わずに統一されたドメインとして扱う。 正規化フローニューラルネットワークモデルは、PDE残差によって誘導される分布を効果的に学習し、解が最も学習しにくい領域に集中する新たなコロケーションポイントを生成する。
  論文  参考訳（メタデータ） (2026-06-04T15:54:25Z)
• Discrete Prototypical Memories for Federated Time Series Foundation Models [62.22804699052539]
  FLベースの時系列基礎モデルとして大規模言語モデルを活用することは、LLMの一般化能力を時系列データに転送する有望な方法を提供する。 しかし、時系列データと既存のLCMのテキスト中心の潜在空間とのセマンティックなミスアライメントは、しばしば性能低下につながる。 離散型記憶に基づく時系列基礎モデルのための統合フレームワークであるtextscFeDPMを提案する。
  論文  参考訳（メタデータ） (2026-04-06T06:57:08Z)
• Time-Domain Linear Model-based Framework for Passive Acoustic Mapping of Cavitation Activity [4.219150964619931]
  パッシブ・アコースティック・マッピングにより空間マッピングと時間モニタリングが可能となる。 従来のビームフォーミング法は、基準放出開始時間がないため、軸方向分解能が限られている。 時間領域で完全に定式化された線形演奏モデルに基づくビームフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T17:48:04Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• Surgformer: Surgical Transformer with Hierarchical Temporal Attention for Surgical Phase Recognition [7.682613953680041]
  本稿では,空間時間モデルと冗長性の問題に終末的に対処する手術用トランスフォーマー(サージフォーマー)を提案する。 提案するサージフォーマーは,最先端の手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-07T16:16:31Z)
• Jointly spatial-temporal representation learning for individual trajectories [26.976418889721998]
  本稿では、学習可能な時空間依存を軌跡表現にフォーマル化する時空間共同表現学習法(ST-GraphRL)を提案する。 実世界の3つの人間の移動性データセットを用いて,ST-GraphRLは,移動時空間分布の予測と,空間時空間相関の高い軌道類似性の保存において,すべてのベースラインモデルより優れていた。
  論文  参考訳（メタデータ） (2023-12-07T05:27:24Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Combining Pseudo-Point and State Space Approximations for Sum-Separable Gaussian Processes [48.64129867897491]
  我々は,擬似点法と状態空間GP近似フレームワークを組み合わせて両世界の長所を得る,シンプルでエレガントな方法が存在することを示す。 組み合わせたアプローチは、どちらの方法よりも拡張性が高く、時間的問題にも適用可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-18T16:30:09Z)
• Prediction with Spatio-temporal Point Processes with Self Organizing Decision Trees [0.0]
  私たちはこの問題に新しいアプローチを導入します。 我々のアプローチは、非定常かつ自己興奮的なプロセスであるホークスプロセスに基づいている。 実生活データに関する実験結果を提供する。
  論文  参考訳（メタデータ） (2020-03-07T20:39:31Z)
• Progressive Cross-Stream Cooperation in Spatial and Temporal Domain for Action Localization [84.73693644211596]
  S時間的行動局所化は、空間的局所化、行動分類、時間的局所化の3つのレベルからなる。 上記の3つの課題をすべて改善する,新たなプログレッシブなクロスストリーム協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2019-05-28T02:29:12Z)

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。