論文の概要: Time Series Analysis in Machine Learning

• arxiv url: http://arxiv.org/abs/2606.11746v1
• Date: Wed, 10 Jun 2026 07:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.342007
• Title: Time Series Analysis in Machine Learning
• Title（参考訳）: 機械学習における時系列解析
• Authors: Antonio Pagliaro, Anna Anzalone,
• Abstract要約: この章では、機械学習の観点から時系列分析技術についてレビューする。 時系列の基本概念(定常性、自己相関、季節性)、古典統計モデル(自己回帰、移動平均、ARIMA、指数的滑らか化、状態空間モデル)、そして現代の機械学習アプローチについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series analysis is a fundamental component of machine learning, especially in astrophysics and cosmology where temporal data abound. This chapter provides a pedagogical review of time series analysis techniques from a machine learning perspective. We cover the basic concepts of time series (stationarity, autocorrelation, seasonality), classical statistical models (autoregressive, moving average, ARIMA, exponential smoothing, state-space models), and modern machine learning approaches. In particular, we discuss how traditional statistical methods lay the groundwork, and then explore machine learning methods for time series, including feature-based regression, tree-based ensemble methods, hidden Markov models, Gaussian processes, and deep learning models (recurrent neural networks, convolutional networks, transformers). Throughout, we illustrate with examples drawn from multiple domains (e.g. astronomy, weather forecasting, finance) to emphasize common principles. The goal is to equip readers with both the theoretical understanding and practical context to apply machine learning techniques for time series analysis in their research.
• Abstract（参考訳）: 時系列分析は、特に時空間データが蓄積している天体物理学や宇宙論において、機械学習の基本的な構成要素である。 この章では、機械学習の観点から時系列分析のテクニックを教育学的にレビューする。 時系列の基本概念(定常性、自己相関、季節性)、古典統計モデル(自己回帰、移動平均、ARIMA、指数的滑らか化、状態空間モデル)、そして現代の機械学習アプローチについて述べる。 特に,従来の統計手法がどのように基礎を置き,特徴に基づく回帰,木に基づくアンサンブル手法,隠れマルコフモデル,ガウス過程,ディープラーニングモデル(リカレントニューラルネットワーク,畳み込みネットワーク,トランスフォーマー)など,時系列の機械学習手法を検討する。 概して、一般的な原則を強調するために複数の領域(天文学、天気予報、金融など)から引き出された例を紹介する。 本研究の目的は,理論的理解と実践的文脈の両方を読者に提供することで,時系列解析に機械学習技術を適用することである。

関連論文リスト

• Large Language models for Time Series Analysis: Techniques, Applications, and Challenges [10.347387584258222]
  大規模言語モデル (LLMs) は、時系列解析において、その横断的な知識の統合と固有の注意機構を活用することによって、変革的なポテンシャルを提供する。 本稿では,LLM駆動型時系列解析の体系的レビューを行う。 技術、潜在的なアプリケーション、オープンな課題の実現に重点を置いています。
  論文  参考訳（メタデータ） (2025-05-21T04:45:11Z)
• 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)
• High-dimensional learning of narrow neural networks [1.7094064195431147]
  この原稿は、機械学習の最近の進歩の根底にあるツールとアイデアをレビューしている。 本稿では,これまで研究されてきたモデルを特殊インスタンスとして包含する汎用モデル(シーケンスマルチインデックスモデル)を提案する。 複製法や近似メッセージパッシングアルゴリズムなどの統計物理手法を用いて,シーケンス多重インデックスモデルの学習過程を詳細に解析する。
  論文  参考訳（メタデータ） (2024-09-20T21:20:04Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [60.742416934632416]
  時系列は、その複雑でダイナミックな性質のために固有の課題を提示する。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Foundation Models for Time Series Analysis: A Tutorial and Survey [70.43311272903334]
  ファンデーションモデル(FM)は、時系列分析のためのモデル設計のパラダイムを根本的に変えてきた。 本調査は,時系列解析のためのFMの概要を包括的かつ最新のものにすることを目的としている。
  論文  参考訳（メタデータ） (2024-03-21T10:08:37Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
  メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。 提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-05T20:50:18Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• timeXplain -- A Framework for Explaining the Predictions of Time Series Classifiers [3.6433472230928428]
  本稿では,時間領域,周波数領域,時系列統計に関する新しいドメインマッピングを提案する。 我々は彼らの説明力と限界を分析する。 我々は、TimeXplainといくつかのモデル固有の説明手法を実験的に比較するために、新しい評価基準を用いる。
  論文  参考訳（メタデータ） (2020-07-15T10:32:43Z)

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。