論文の概要: Temporal-Decay Shapley: A Time-Aware Data Valuation Framework for Time-Series Data

• arxiv url: http://arxiv.org/abs/2605.08153v1
• Date: Mon, 04 May 2026 04:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.403604
• Title: Temporal-Decay Shapley: A Time-Aware Data Valuation Framework for Time-Series Data
• Title（参考訳）: タイムアウェアな時系列データ評価フレームワークTemporal-Decay Shapley
• Authors: Chuwen Pang, Bing Mi, Kongyang Chen,
• Abstract要約: 本稿では,時系列データの正確なサンプル評価を可能にする時間軸データ評価法を提案する。 具体的には,3つの時間的シャプリー法を提案する。 実験結果から,提案手法はノイズ検出や高価値データ識別タスクにおいて従来の手法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）: 0.8729998428218245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of machine learning applications on time-series data, accurately assessing the value of training samples has become essential for data selection, noise detection, and model optimization. However, traditional data valuation methods usually assume that samples are independent and identically distributed, and thus ignore the time-varying nature of sample value in time-series data. This paper proposes an improved temporal Shapley data valuation method that enables accurate sample valuation for time-series data through a temporal decay mechanism and a multi-scale fusion strategy. Specifically, we propose three progressively enhanced temporal Shapley methods. Temporal-Decay Shapley (TDS) incorporates temporal information into Shapley value computation through exponential decay weights; the improved TDS adopts power exponential decay to better adapt to nonlinear temporal drift; and Multi-Scale Temporal-Decay Shapley (MS-TDS) constructs a multi-scale fusion mechanism that balances the value of short-term hotspot samples and long-term foundational samples through parallel multi-scale valuation and sample-level adaptive fusion. Experimental results show that the proposed methods generally outperform traditional methods in noise detection and high-value data identification tasks, with more evident advantages under most strongly temporal settings, thereby effectively improving the accuracy and robustness of data valuation.
• Abstract（参考訳）: 時系列データに基づく機械学習アプリケーションの迅速な開発により、データ選択、ノイズ検出、モデル最適化において、トレーニングサンプルの価値を正確に評価することが不可欠になっている。 しかし、従来のデータアセスメント手法では、サンプルは独立しており、同一に分散していると仮定し、したがって時系列データにおけるサンプル値の時間変化の性質を無視する。 本稿では,時間的崩壊機構とマルチスケール融合戦略を通じて時系列データの正確なサンプル評価を可能にする時間的シェープリーデータ評価法を提案する。 具体的には,3つの時間的シャプリー法を提案する。 TDS(Temporal-Decay Shapley)は、指数関数的減衰重みによる時間情報のシェープリー値計算、改良されたTDSは、非線形時間的ドリフトに適応するためにパワー指数的減衰を採用し、MS-TDS(Multi-Scale Temporal-Decay Shapley)は、並列なマルチスケール評価とサンプルレベルの適応融合を通じて、短期ホットスポットサンプルと長期基礎サンプルの値のバランスをとるマルチスケール融合機構を構築する。 実験結果から,提案手法は従来手法のノイズ検出や高値データ識別タスクより優れており,最も強い時間的設定下ではより顕著な利点があり,データ評価の精度と堅牢性を効果的に向上することが示唆された。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Understanding the Limits of Deep Tabular Methods with Temporal Shift [28.738848567072004]
  本稿では,Fourier級数展開に基づく時間的組込み手法を提案し,時間的パターンを学習し,組み込む。 我々の実験は、この時間的埋め込みと改良されたトレーニングプロトコルを組み合わせることで、時間的データから学習するためのより効果的で堅牢なフレームワークが提供されることを示した。
  論文  参考訳（メタデータ） (2025-02-27T16:48:53Z)
• Unifying Prediction and Explanation in Time-Series Transformers via Shapley-based Pretraining [0.0]
  ShapTSTは、時系列トランスフォーマーが、1つのフォワードパスで予測と並行してShapley値ベースの説明を効率的に生成することを可能にするフレームワークである。 本フレームワークは,新しいShapleyベースの事前学習設計を通じて,学習における説明と予測を統一する。
  論文  参考訳（メタデータ） (2025-01-25T04:24:35Z)
• DeformTime: Capturing Variable Dependencies with Deformable Attention for Time Series Forecasting [0.34530027457862006]
  入力空間から相関時間パターンを捕捉しようとするニューラルネットワークアーキテクチャであるDeformTimeを提案する。 これまでに確立されたベンチマークを用いて,6つのMTSデータセットに関する広範な実験を行った。 その結果,DeformTimeはMSS予測タスクの大部分にわたる従来の競合手法と比較して精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-06-11T16:45:48Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• 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)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Towards Synthetic Multivariate Time Series Generation for Flare Forecasting [5.098461305284216]
  データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。 本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
  論文  参考訳（メタデータ） (2021-05-16T22:23:23Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。