論文の概要: Estimating Mutual Information between Time Series and Temporal Event Sequences Across Diverse Analysis Tasks

• arxiv url: http://arxiv.org/abs/2606.01602v1
• Date: Mon, 01 Jun 2026 02:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.885958
• Title: Estimating Mutual Information between Time Series and Temporal Event Sequences Across Diverse Analysis Tasks
• Title（参考訳）: 時系列と時間事象列間の相互情報の推定
• Authors: Haoji Hu, Huaqing Mao, Yijun Lin, Xiaowei Jia, Jinwei Zhou, Minoh Jeong, Yao-Yi Chiang,
• Abstract要約: 時系列とイベントシーケンス間の依存度を測定する非パラメトリックな相互情報推定器を提案する。 本手法は,実世界の時系列の連続離散双対性をモデル化し,量子化と繰り返し値のアーティファクトを処理する。 合成および実世界のデータセットの実験は、精度、堅牢性、解釈可能性において既存の手法よりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 21.6590064392125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pairwise dependence measures such as correlation and causality are fundamental to temporal data mining, yet there is still no principled and robust way to quantify dependence between heterogeneous data types, especially between continuous time series and discrete temporal event sequences. Existing approaches rely on ad hoc transformations or mutual-information estimators that are highly sensitive to quantization, repeated values, and event redundancy, leading to biased or unstable results in practice. We propose a nonparametric mutual information estimator that directly measures the dependence between time series and event sequences without data transformation, learning, or ad hoc discretization. Our method models the continuous-discrete duality of real-world time series to handle quantization and repeated-value artifacts and introduces a latent event clustering strategy to mitigate bias from event co-occurrence and redundancy. Together, these yield a robust and unified framework that bridges discrete and continuous mutual information. We evaluate the proposed estimator on four representative tasks: discrete-continuous time-delayed mutual information for causality analysis, global and local temporal repetition discovery, discrete covariate selection for time series forecasting, and continuous feature selection for classification. Experiments on synthetic and real-world datasets show consistent improvements over existing methods in accuracy, robustness, and interpretability, positioning our approach as a general-purpose dependence operator for heterogeneous temporal data, similar to Pearson correlation for homogeneous time series. Code available at: https://github.com/HaojiHu/Multimodal-Temporal-Data-Quantification
• Abstract（参考訳）: 相関や因果性などのペアワイズ依存度は時間的データマイニングの基本であるが、不均一なデータタイプ、特に連続時系列と離散時間的イベントシーケンス間の依存度を定量化するための原則的かつ堅牢な方法がまだ存在しない。 既存のアプローチは、量子化、繰り返し値、イベント冗長性に非常に敏感な、アドホック変換や相互情報推定器に依存しており、実際にはバイアスや不安定な結果をもたらす。 データ変換や学習,アドホックな離散化を伴わず,時系列とイベントシーケンス間の依存性を直接測定する非パラメトリックな相互情報推定器を提案する。 本手法は,実世界の時系列の連続的離散的双対性をモデル化し,量子化と繰り返し値のアーティファクトを扱うとともに,イベント共起と冗長性からバイアスを緩和する潜在イベントクラスタリング戦略を導入する。 これらが合わさって、離散的かつ連続的な相互情報を橋渡しする堅牢で統一的な枠組みが生まれる。 本研究では,因果解析のための離散連続時間遅延相互情報,大域的・局所的時間的反復探索,時系列予測のための離散共変量選択,分類のための連続的特徴選択の4つの課題について,提案手法の評価を行った。 合成および実世界のデータセットに対する実験は、精度、堅牢性、解釈可能性において既存の手法よりも一貫した改善を示し、同種時系列のピアソン相関と同様、異種時間データの汎用依存演算子として我々のアプローチを位置づけた。 https://github.com/HaojiHu/Multimodal-Temporal-Data-Quantification

関連論文リスト

• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series [0.6749750044497732]
  多変量時系列における共同独立のカーネルベース統計テストを導入する。 提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。 我々の手法はデータの高次相互作用を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-15T10:38:24Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。