論文の概要: Prototype-Guided Classification Sub-Task Decoupling Framework: Enhancing Generalization and Interpretability for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2605.22055v1
• Date: Thu, 21 May 2026 06:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.120252
• Title: Prototype-Guided Classification Sub-Task Decoupling Framework: Enhancing Generalization and Interpretability for Multivariate Time Series
• Title（参考訳）: Prototype-Guided Classification Sub-Task Decoupling Framework:多変量時系列の一般化と解釈性向上
• Authors: Xianhao Song, Yuang Zhang, Yuqi She, Liping Wang, Xuemin Lin,
• Abstract要約: 時系列分類(TSC)は、近年注目を集めている長年の研究課題である。 我々は,時系列分類を多段階決定プロセスとして再構成するプロトタイプ誘導フレームワークであるPDFTimeを提案する。 我々の知る限り、PDFTimeは、分離された多段階の類似性に基づく推論プロセスとして時系列分類を再構成する最初のフレームワークです。
• 参考スコア（独自算出の注目度）: 17.242128977027246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time Series Classification (TSC) is a long-standing research problem that has gained increasing attention in recent years with the rapid growth of large-scale temporal data. Despite substantial progress enabled by deep learning, designing TSC models that are both accurate and interpretable remains a challenging task. Many existing approaches adopt a direct feature-to-label classification paradigm, by collapsing high-dimensional temporal embeddings into class logits via a single linear projection (often after global pooling), the paradigm conflates feature extraction and decision logic into an inseparable mapping. To address these limitations, we propose PDFTime, a prototype-guided framework that reformulates time series classification as a multi-stage decision process. Instead of direct feature-to-label mapping, PDFTime leverages learned prototypes to approximate class-conditional feature distributions in the latent space, enabling progressive discrimination through classification sub-tasks of varying granularity. To our knowledge, PDFTime is the first framework to reformulate time series classification as a decoupled, multi-stage similarity-based reasoning process, breaking the long-standing paradigm of direct, black-box feature-to-label mapping. Extensive evaluations demonstrate that PDFTime achieves state-of-the-art (SOTA) performance across UEA and UCR benchmarks. Notably, it secures the top-$1$ accuracy on 80 out of 128 datasets in the UCR archive, significantly outperforming recent strong baselines in both consistency and generalization.
• Abstract（参考訳）: 時系列分類(TSC)は長期にわたる研究課題であり、大規模な時間データの急速な増加とともに近年注目を集めている。 ディープラーニングによって大幅に進歩しているにもかかわらず、正確かつ解釈可能なTSCモデルを設計することは難しい課題である。 既存の多くのアプローチでは、高次元の時間的埋め込みを単一の線形射影(大域的なプーリング後にしばしば)を通してクラスロジットに分解することで、特徴抽出と決定ロジックを分離不能なマッピングに融合させることにより、直接的特徴-ラベル分類パラダイムを採用している。 これらの制約に対処するため,多段階決定プロセスとして時系列分類を再構成するプロトタイプ誘導フレームワークであるPDFTimeを提案する。 PDFTimeは、直接的な特徴とラベルのマッピングではなく、学習したプロトタイプを活用して潜在空間のクラス条件の特徴分布を近似し、様々な粒度の分類サブタスクを通じて進歩的な識別を可能にする。 私たちの知る限り、PDFTimeは時系列分類を、分離された多段階の類似性に基づく推論プロセスとして再構成する最初のフレームワークです。 PDFTime は UEA と UCR ベンチマークで最新技術 (SOTA) のパフォーマンスを達成している。 注目すべきなのは、UCRアーカイブの128データセットのうち、80の上位1ドル精度を確保し、一貫性と一般化の両方において、最近の強力なベースラインを著しく上回っていることだ。

関連論文リスト

• Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
  時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。 動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。 Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-30T06:02:26Z)
• DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification [14.947369878718822]
  時系列分類のための新しいエンドツーエンドのDistangled Multi-Scaleフレームワーク(DisMS-TS)を提案する。 DisMS-TSは、マルチスケール時系列における冗長な共有機能を排除し、予測性能を向上させるように設計されている。 複数のデータセットで実施された実験は、DisMS-TSの競争基準よりも優れており、精度は9.71%まで向上した。
  論文  参考訳（メタデータ） (2025-07-07T01:35:55Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Zero-Shot Temporal Action Detection via Vision-Language Prompting [134.26292288193298]
  視覚言語プロンプト(STALE)を用いた新しいゼロショット時間行動検出モデルを提案する。 我々のモデルは最先端の代替品を著しく上回っている。 我々のモデルは、近年の強力な競合相手よりも監督的TADにおいて優れた結果をもたらす。
  論文  参考訳（メタデータ） (2022-07-17T13:59:46Z)
• Interpretable Time Series Classification using Linear Models and Multi-resolution Multi-domain Symbolic Representations [6.6147550436077776]
  我々は,現在のアプローチにおけるギャップに対処する新しい時系列分類アルゴリズムを提案する。 提案手法は,時系列の記号表現,効率的なシーケンスマイニングアルゴリズム,線形分類モデルに基づく。 我々のモデルは深層学習モデルと同じくらい正確だが、実行時間やメモリに関してより効率的であり、可変長の時系列を扱うことができ、元の時系列における識別的象徴的特徴を強調することで解釈できる。
  論文  参考訳（メタデータ） (2020-05-31T15:32:08Z)

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。