論文の概要: Amortized Neural Clustering of Time Series based on Statistical Features

• arxiv url: http://arxiv.org/abs/2605.13128v1
• Date: Wed, 13 May 2026 07:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.884143
• Title: Amortized Neural Clustering of Time Series based on Statistical Features
• Title（参考訳）: 統計的特徴に基づく時系列の記憶型ニューラルクラスタリング
• Authors: Ángel López-Oriona, Ying Sun,
• Abstract要約: 本稿では,ニューラルネットワークによる特徴量に基づく時系列クラスタリングに対するアルゴリズムに依存しないアプローチを提案する。 シミュレーションデータから最適なパーティショニングルールを近似するためにニューラルネットワークをトレーニングすることにより、提案フレームワークは従来のクラスタリング手法への依存を減らすことができる。 この方法の1つのバージョンは、アドホックな選択手順を避けることによって、自動的にクラスタ数を決定することができる。
• 参考スコア（独自算出の注目度）: 7.076900172535537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces an algorithm-agnostic approach to feature-based time series clustering via amortized neural inference. By training neural networks to approximate the optimal partitioning rule from simulated data, the proposed framework reduces reliance on conventional clustering methods, such as $K$-means, $K$-medoids, or hierarchical clustering, and their associated objective functions and heuristics. Leveraging statistical features, such as autocorrelations and quantile autocorrelations, the approach learns a data-driven affinity structure from which clustering partitions can be recovered, without requiring explicit prior specification of cluster shapes or structures. In addition, one version of the method can automatically determine the number of clusters, avoiding ad-hoc selection procedures. Comprehensive empirical studies show that the proposed framework achieves competitive or superior clustering accuracy relative to traditional methods, even in challenging scenarios where competing techniques are provided with the true number of clusters. An application to financial time series of stock returns illustrates its practical utility. By reducing the need for algorithm selection and calibration, the proposed framework opens new possibilities for automated, adaptive, and data-driven clustering of temporal data across scientific and industrial domains.
• Abstract（参考訳）: 本稿では,ニューラルネットワークによる特徴量に基づく時系列クラスタリングに対するアルゴリズムに依存しないアプローチを提案する。 ニューラルネットワークをトレーニングして、シミュレーションデータから最適なパーティショニングルールを近似することにより、提案フレームワークは、$K$-means、$K$-medoids、階層的クラスタリングなどの従来のクラスタリング手法への依存を減らし、それらの対象関数とヒューリスティックスに関連付ける。 自動相関や量子自己相関などの統計的特徴を活用して、クラスタリングパーティションを復元するデータ駆動アフィニティ構造を学ぶ。 さらに、あるバージョンではクラスタ数を自動的に決定でき、アドホックな選択手順を避けることができる。 包括的実証研究により,提案手法は従来の手法と比較して,真のクラスタ数で競合技術が提供される場合であっても,競争的あるいは優れたクラスタリング精度を実現することが示された。 ファイナンシャル・タイム・シリーズの株価リターンへの応用は、その実用性を示している。 アルゴリズムの選択とキャリブレーションの必要性を減らすことで、提案フレームワークは、科学と産業の領域にまたがる時間データの自動化、適応、およびデータ駆動型クラスタリングの新たな可能性を開く。

関連論文リスト

• Sparse clustering via the Deterministic Information Bottleneck algorithm [0.0]
  クラスタ構造が機能領域のサブセットに限定されている場合、従来のクラスタリング技術は前例のない課題に直面します。 本稿では,スパースデータに関連する問題を克服し,特徴量の重み付けとクラスタリングを可能にする情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T14:05:44Z)
• Parameter-Free Clustering via Self-Supervised Consensus Maximization (Extended Version) [50.41628860536753]
  本稿では,SCMax と呼ばれる自己教師型コンセンサス最大化による,新しい完全パラメータフリークラスタリングフレームワークを提案する。 本フレームワークは,階層的なクラスタリングとクラスタ評価を単一の統合プロセスで行う。
  論文  参考訳（メタデータ） (2025-11-12T11:17:17Z)
• AdaptiveMDL-GenClust: A Robust Clustering Framework Integrating Normalized Mutual Information and Evolutionary Algorithms [0.0]
  我々は,最小記述長(MDL)原理と遺伝的最適化アルゴリズムを組み合わせたロバストクラスタリングフレームワークを提案する。 このフレームワークは、初期クラスタリングソリューションを生成するためのアンサンブルクラスタリングアプローチから始まり、MDL誘導評価関数を使用して洗練され、遺伝的アルゴリズムによって最適化される。 実験の結果,従来のクラスタリング手法を一貫して上回り,精度の向上,安定性の向上,バイアス低減を実現している。
  論文  参考訳（メタデータ） (2024-11-26T20:26:14Z)
• Dirichlet Process-based Robust Clustering using the Median-of-Means Estimator [16.774378814288806]
  本稿では,モデルに基づく手法とセントロイド方式の長所を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。 本手法は,クラスタリングの品質に及ぼすノイズの影響を緩和するが,同時にクラスタ数を推定する。
  論文  参考訳（メタデータ） (2023-11-26T19:01:15Z)
• Time series clustering based on prediction accuracy of global forecasting models [0.0]
  本稿では,時系列のモデルに基づくクラスタリング手法を提案する。 文献で提案されているほとんどの手法とは異なり、この手法はクラスタリング分割を構成する主要な要素として予測精度を考慮している。 シミュレーション実験により,クラスタリングの有効性と予測精度の両面で,本手法はいくつかの代替手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-30T13:12:19Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。