論文の概要: Learning Hyperspherical Time-Frequency Representations for Time-Series Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2605.31155v1
• Date: Fri, 29 May 2026 11:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.560772
• Title: Learning Hyperspherical Time-Frequency Representations for Time-Series Out-of-Distribution Detection
• Title（参考訳）: 時間分布検出のための超球面時間周波数表現の学習
• Abstract要約: 本研究は,超球面埋め込みを用いた表現学習として時系列OOD検出を定式化する。 学習された表現は、ドメイン固有のエンコーダを介して入力信号の時間領域と周波数領域のビューを組み合わせる。 クロスデータセットプロトコルを用いて,UCRとUEAの時系列アーカイブを大規模に評価する。
• 参考スコア（独自算出の注目度）: 0.2160500132391863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Out-of-distribution (OOD) detection for time-series data remains comparatively underexplored compared to vision and language, with a limited principled understanding of how supervised time-series representations can be leveraged for reliable detection under distributional shifts. This work formulates time-series OOD detection as representation learning with hyperspherical embeddings, where class-conditional structure is induced by a von Mises-Fisher (vMF) likelihood-based objective on the unit sphere. The learned representation combines time- and frequency-domain views of the input signal via domain-specific encoders, integrating them into a joint embedding space for OOD detection. Detection uses distance-based scores over the learned embeddings, including k-nearest neighbors (k-NN) and Mahalanobis scores. We evaluate the approach at scale on the complete UCR and UEA time-series archives under a cross-dataset protocol. Empirical results show consistent improvements under both k-NN and Mahalanobis scoring over strong contrastive learning and post-hoc baselines in the same setting. Code is available at https://github.com/tiiuae/hypertf-time-series-ood.
• Abstract（参考訳）: 時系列データのアウト・オブ・ディストリビューション(OOD)検出は、分布シフト下での信頼性検出のために、教師付き時系列表現をどのように活用するかという限定された原理的理解により、視覚や言語と比較して比較的過小評価されている。 この研究は、超球面埋め込みを用いた表現学習として時系列OOD検出を定式化し、そこでは、クラス条件構造は単位球上のvon Mises-Fisher (vMF) 確率に基づく目的によって誘導される。 学習された表現は、ドメイン固有のエンコーダを介して入力信号の時間領域と周波数領域のビューを組み合わせて、OOD検出のための結合埋め込み空間に統合する。 検出は、k-nearest neighbors(k-NN)やMahalanobisスコアなど、学習した埋め込みに対する距離ベースのスコアを使用する。 クロスデータセットプロトコルを用いて,UCRとUEAの時系列アーカイブを大規模に評価する。 実験の結果,k-NNとMahalanobisでは,強いコントラスト学習とポストホックベースラインに比較して,一貫した改善が見られた。 コードはhttps://github.com/tiiuae/hypertf-time-series-ood.comで公開されている。

関連論文リスト

• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• 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)
• Bridging Past and Future: Distribution-Aware Alignment for Time Series Forecasting [30.686607555300366]
  時系列予測のための表現学習フレームワークであるTimeAlignを紹介する。 我々は,過去と将来の表現を明示的に整列し,入力履歴と将来の目標との分布的ギャップを埋める。 利得は主に、歴史的入力と将来の出力の間の周波数ミスマッチの修正から生じる。
  論文  参考訳（メタデータ） (2025-09-17T17:12:39Z)
• Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection [0.0]
  時系列基礎モデル(TSFM)は異常検出のための強力なツールとして登場した。 TSFMの中間層表現を利用した新しい異常検出手法であるTimeRepを提案する。 TimeRepは、最先端のベースラインの幅広いスペクトルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-16T04:10:17Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Nearest Neighbor Guidance for Out-of-Distribution Detection [18.851275688720108]
  そこで本研究では,最寄りのNearest Neighbor Guidance (NNGuide) を用いて,オフ・オブ・ディストリビューション(OOD) サンプルの検出を行う。 NNGuideは、分類器ベースのスコアのきめ細かい機能を維持しながら、OODサンプルの過信を低減する。 この結果から,NNGuideはベース検出スコアを大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-09-26T12:40:35Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• GAT-GAN : A Graph-Attention-based Time-Series Generative Adversarial Network [0.0]
  我々はGAT-GAN(Graph-Attention-based Generative Adversarial Network)を提案する。 GAT-GANは、敵対的に訓練されたオートエンコーダアーキテクチャを用いて、高忠実度の時系列データを生成する。 本稿では、Frechet Transformer distance(FTD)スコアと呼ばれる時系列データに対するFrechet Inception distance-like(FID)メトリクスを導入し、生成データの品質と多様性を評価する。
  論文  参考訳（メタデータ） (2023-06-03T04:23:49Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• CODiT: Conformal Out-of-Distribution Detection in Time-Series Data [11.565104282674973]
  多くの応用において、機械学習モデルへの入力は時間列を形成する。 共形異常検出フレームワークにおける非整合性尺度として,非分布時間同値からの偏差を用いる。 自律運転におけるコンピュータビジョンデータセットにおける最先端結果の達成によるCODiTの有効性について述べる。
  論文  参考訳（メタデータ） (2022-07-24T16:41:14Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
  非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。 我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
  論文  参考訳（メタデータ） (2021-06-01T19:53:24Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)

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。