論文の概要: Combining Statistical Features and Deep Encodings for Rehearsal-Based Class-Incremental Time Series Classification

• arxiv url: http://arxiv.org/abs/2606.03292v1
• Date: Tue, 02 Jun 2026 08:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.852288
• Title: Combining Statistical Features and Deep Encodings for Rehearsal-Based Class-Incremental Time Series Classification
• Title（参考訳）: リハーサルに基づくクラスインクリメンタル時系列分類のための統計的特徴とディープエンコーディングの組み合わせ
• Authors: Pablo García-Santaclara, Bruno Fernández-Castro, Rebeca Pilar Díaz-Redondo,
• Abstract要約: 本稿では,時系列データの分類のためのクラス連続学習を行うための新しい手法を提案する。 提案システムでは,すべてのデータセット間での競合平均精度を実現するとともに,すべての実験構成に対して低遅延率を維持している。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many systems used in real-world environments require adding new categories and incorporating new information without forgetting what was previously learnt by the classification model. This is known as class-incremental continual learning, and in the case of multivariate time-series, is further complicated by the temporal structure of the data. In this paper, we present a novel approach for performing class incremental continual learning for the classification of multivariate time series data based upon the construction of a dual-stream feature extraction pipeline (using both deep temporal embedding features generated via a pre-trained frozen foundation model and application of statistical features). Evaluated on five benchmark datasets, the proposed system achieves competitive average accuracy across all datasets while maintaining low forgetting rates across all experimental configurations.
• Abstract（参考訳）: 現実世界の環境で使用される多くのシステムは、以前に分類モデルで学んだことを忘れずに、新しいカテゴリを追加し、新しい情報を取り入れる必要がある。 これはクラス増分連続学習(class-incremental continual learning)と呼ばれ、多変量時系列の場合、データの時間構造によってさらに複雑になる。 本稿では,2重ストリーム特徴抽出パイプラインの構築に基づく多変量時系列データの分類のためのクラスインクリメンタル・インクリメンタル・ラーニングを行う手法を提案する。 提案システムは,5つのベンチマークデータセットから評価し,すべてのデータセット間での競合平均精度を達成し,すべての実験構成における低忘れ率を維持する。

関連論文リスト

• Structural Classification of Locally Stationary Time Series Based on Second-order Characteristics [18.368110934638207]
  本稿では,局所定常時系列の2つのクラスを区別する数値的,実用的,理論的に厳密な分類法を提案する。 本手法は,局所定常時系列に対する自己回帰近似に基づいて,アンサンブルアグリゲーションと距離に基づく分類しきい値を組み合わせたものである。 トレーニングサンプルサイズには要件がなく、誤分類エラー率をゼロにすることが示されている。
  論文  参考訳（メタデータ） (2025-07-06T04:00:26Z)
• 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)
• VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
  識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。 さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。 30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-21T07:31:22Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Capturing Temporal Components for Time Series Classification [5.70772577110828]
  本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。 マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。 シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
  論文  参考訳（メタデータ） (2024-06-20T16:15:21Z)
• 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)
• Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
  本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。 実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
  論文  参考訳（メタデータ） (2022-04-07T14:02:15Z)
• Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
  本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。 時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。 完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-04-02T08:58:44Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。