論文の概要: CASE-NET: Deep Spatio-Temporal Representation Learning via Causal Attention and Channel Recalibration for Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2605.22043v1
• Date: Thu, 21 May 2026 06:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.522943
• Title: CASE-NET: Deep Spatio-Temporal Representation Learning via Causal Attention and Channel Recalibration for Multivariate Time Series Classification
• Title（参考訳）: Case-NET:多変量時系列分類のための因果注意とチャンネル校正による深部時空間表現学習
• Authors: Fan Zhang, Yating Cui, Hua Wang,
• Abstract要約: 構造多様体プレコンディショニングのためのアーキテクチャであるCausal Attention and Spatio-temporal Network (CASE-NET)を提案する。 CASE-NETは、仮面の自己意図と因果の畳み込みを通じて、物理的に時間的制約を強制する因果的テンポラルを相乗化する。 総合的な評価は、CASE-NETが4つのタスクに対して新しい最先端のベンチマークを確立し、AWRデータセットで98.6%のピーク精度と非定常状態における優れた堅牢性を達成していることを示している。
• 参考スコア（独自算出の注目度）: 6.1337977581640075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series (MTS) classification is foundational to pervasive computing and financial analysis, yet existing multi-scale paradigms are often constrained by suboptimal representation fidelity. We identify two critical bottlenecks: temporal non-causality in standard encoders that induces temporal confounding in non-stationary dynamics, and the absence of explicit channel saliency mechanisms that allows noise to contaminate the latent space. To address these challenges, we propose the Causal Attention and Spatio-temporal Encoder Network (CASE-NET), an architecture designed for structural manifold pre-conditioning. CASE-NET synergizes a Causal Temporal Encoder, which enforces physical arrow-of-time constraints via masked self-attention and causal convolutions, with an Adaptive Channel Recalibration module functioning as an information bottleneck to suppress detrimental noise. Comprehensive evaluations across six heterogeneous domains demonstrate that CASE-NET establishes new state-of-the-art benchmarks on four tasks, achieving a peak accuracy of 98.6% on the AWR dataset and superior robustness in non-stationary regimes.
• Abstract（参考訳）: 多変量時系列(MTS)分類は広範コンピューティングと財務分析の基礎であるが、既存のマルチスケールパラダイムは、しばしば準最適表現の忠実さによって制約される。 非定常力学における時間的共起を誘導する標準エンコーダにおける時間的非因果性と、雑音が潜伏空間を汚染することを可能にする明示的なチャネル・サリエンシ機構の欠如である。 これらの課題に対処するために、構造多様体プレコンディショニング用に設計されたアーキテクチャであるCausal Attention and Spatio-temporal Encoder Network (CASE-NET)を提案する。 CASE-NETは、マスクされた自己注意と因果的畳み込みによって物理的に時間的制約を強制する因果的テンポラルエンコーダを、情報ボトルネックとして機能するアダプティブチャネル再校正モジュールでシナジする。 6つのヘテロジニアス領域にわたる総合的な評価は、CASE-NETが4つのタスクに対して新しい最先端のベンチマークを確立し、AWRデータセットで98.6%のピーク精度と非定常的な状態において優れたロバスト性を達成していることを示している。

関連論文リスト

• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
  隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。 提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
  論文  参考訳（メタデータ） (2026-02-10T17:16:49Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting [13.117430904377905]
  時系列予測は、過去のデータから将来の値を予測することに依存する。 MSEには2つの根本的な弱点がある:そのポイントワイドエラーは時間的関係を捉えるのに失敗し、データに固有のノイズを考慮しない。 我々は,Hilbert-Schmidt Independence Criterion(HSIC)に基づく新たな目的関数であるResidual-Informed Loss(RI-Loss)を紹介する。
  論文  参考訳（メタデータ） (2025-11-13T09:36:00Z)
• Robust fuzzy clustering for high-dimensional multivariate time series with outlier detection [8.124770608442377]
  RFCPCAは、多変量時系列データに適した、堅牢なファジィサブスペースクラスタリング手法である。 潜時構造を捕捉し、校正されたメンバーシップの不確実性を提供し、汚染下で安定なまま、フラグ列レベルのアウトリーチを提供する。 ドライバEEGでは、RFCPCAは関連するメソッドよりもクラスタリングの精度を向上し、不確実性と外れ値の構造のより信頼性の高い特徴を与える。
  論文  参考訳（メタデータ） (2025-10-30T20:16:28Z)
• FreCT: Frequency-augmented Convolutional Transformer for Robust Time Series Anomaly Detection [8.779286654383796]
  時系列異常検出はシステム監視とリスク識別に重要である。 周波数拡張畳み込み変換器(FreCT)を提案する。 FreCTはパッチ操作を利用してコントラストビューを生成し、コンボリューションモジュールと統合された改良されたTransformerアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-05-02T00:56:24Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)

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。