論文の概要: STaT: Resolving Shape Distortion in Non-Stationary Time Series via Tri-Modal Synergy

• arxiv url: http://arxiv.org/abs/2605.25943v1
• Date: Mon, 25 May 2026 15:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.430366
• Title: STaT: Resolving Shape Distortion in Non-Stationary Time Series via Tri-Modal Synergy
• Title（参考訳）: STaT:Tri-Modal Synergyによる非定常時系列における形状歪みの解消
• Authors: Hui Cheng, Jinsheng Guo, Zhenhao Weng, Yan Qiao, Meng Li,
• Abstract要約: シンボリック・テンポラル・テキストアライメントのための革新的なマルチモーダルアーキテクチャSTaTを紹介する。 また,STaTは例外的な性能を示し,従来の寸法指標を最大8.9%向上させるとともに,形状歪みを最大8.5%低減することを示した。
• 参考スコア（独自算出の注目度）: 21.089824633273572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research in time series forecasting frequently investigates the integration of textual and visual modalities with numerical models to better navigate non-stationary environments. Despite delivering solid numerical results, existing multi-modal approaches usually encounter a dilemma: prioritizing the minimization of average errors can result in excessively smooth forecasts that overlook essential fluctuations. To resolve this limitation, we introduce STaT, an innovative multimodal architecture for Symbolic-Temporal-Textual Alignment, which seamlessly unites three synergistic modalities. Specifically, the symbolic modality converts continuous time series into discrete tokens, facilitating the accurate identification of structural patterns and turning points; the temporal modality extracts inherent sequential dependencies; and the textual modality leverages domain semantics to steer the macroscopic forecasting trends. Comprehensive evaluations on eight real-world benchmarks indicate that STaT delivers exceptional performance, enhancing conventional magnitude indicators by up to 8.9% while simultaneously decreasing shape distortion by up to 8.5%.
• Abstract（参考訳）: 時系列予測における最近の研究は、非定常環境をよりよくナビゲートするための数値モデルとテキストと視覚のモダリティの統合を頻繁に調査している。 平均誤差の最小化の優先順位付けは、本質的な変動を見越す過度に滑らかな予測をもたらす。 この制限を解決するために,Symbolic-Temporal-Textual Alignmentの革新的なマルチモーダルアーキテクチャであるSTaTを導入し,3つの相乗的モダリティをシームレスに結合する。 特に、記号的モダリティは連続時系列を離散トークンに変換し、構造パターンや回転点の正確な識別を容易にし、時間的モダリティは固有の逐次的依存関係を抽出し、テキスト的モダリティはドメインセマンティクスを活用してマクロ的な予測傾向を推し進める。 8つの実世界のベンチマークの総合的な評価は、STaTが例外的な性能を提供し、従来の等級指標を最大8.9%向上させ、同時に形状歪みを最大8.5%減少させることを示している。

関連論文リスト

• TriTS: Time Series Forecasting from a Multimodal Perspective [8.124083509364981]
  時系列予測は、金融、エネルギー、輸送、気象学といった重要な分野において重要な役割を果たしている。 本稿では,時間,周波数,2次元空間に1次元時系列を投影する新しいクロスモーダル・ディコンタングルメント・フレームワークであるTriTSを提案する。 TriTSは、パラメータ数と推論の両方を大幅に削減することで、既存のビジョンベースの予測器を根本的に上回り、最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2026-04-17T23:43:45Z)
• Multi-Period Texture Contrast Enhancement for Low-Contrast Wafer Defect Detection and Segmentation [19.221722169368494]
  TexWDSは、マルチスケールの機能保持と周波数領域モデリングを調和させるテクスチャ対応フレームワークである。 周波数領域におけるテクスチャの破壊をモデル化することにより、MPTCEは構造化背景から非周期的異常を明示的に分離する。 TexWDSは新たな最先端を実現し、mAP50-95では8.3%、リコールでは7.7%を上回り、偽陽性率は約8.6%減少する。
  論文  参考訳（メタデータ） (2026-03-15T08:35:49Z)
• 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)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis [45.34420094525063]
  我々は、不規則性は本質的にある意味で相対的であるという新しい視点を導入する。 MuSiCNetは、3つのメインストリームタスクでSOTAと一貫して競合するISMTS分析フレームワークである。
  論文  参考訳（メタデータ） (2024-12-02T02:50:01Z)
• Scalable Numerical Embeddings for Multivariate Time Series: Enhancing Healthcare Data Representation Learning [6.635084843592727]
  独立トークンとして各特徴値を扱う新しいフレームワークであるSCANEを提案する。 SCANEは、異なる機能埋め込みの特性を正規化し、スケーラブルな埋め込みメカニズムを通じて表現学習を強化する。 本研究は,MTSの精度の高い予測出力を実現するために,nUMerical eMbeddIng Transformer (SUMMIT) を開発した。
  論文  参考訳（メタデータ） (2024-05-26T13:06:45Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。