論文の概要: Efficient Time Series Clustering from Multiscale Reservoir Dynamics with Granular-Ball Anchoring Graph Optimization
- arxiv url: http://arxiv.org/abs/2606.12077v1
- Date: Wed, 10 Jun 2026 13:42:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.482508
- Title: Efficient Time Series Clustering from Multiscale Reservoir Dynamics with Granular-Ball Anchoring Graph Optimization
- Title（参考訳）: 粒界アンカリンググラフ最適化を用いたマルチスケール貯留層ダイナミクスからの効率的な時系列クラスタリング
- Authors: Yifan Wang, Lifeng Shen, Shuyin Xia, Yi Wang,
- Abstract要約: MSRGC-Netは効率的な時系列クラスタリングフレームワークである。
マルチスケール貯水池計算、グラニュラーボールベースのアンカーグラフ構築、コンセンサス学習を統合している。
クラスタリングのパフォーマンスにおいて、最先端のメソッドを一貫して上回る。
- 参考スコア（独自算出の注目度）: 21.33441927042172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-series clustering remains challenging due to the inherent trade-off between clustering effectiveness and computational efficiency. Similarity-based methods often suffer from quadratic complexity caused by pairwise distance computations, while deep learning-based approaches typically rely on costly iterative training and a large number of trainable parameters. In this paper, we propose MSRGC-Net, an efficient time-series clustering framework that integrates multiscale reservoir computing, granular-ball-based anchoring graph construction, and consensus learning. MSRGC-Net adopts a training-free reservoir computing paradigm to extract multiscale temporal representations from raw time series without backpropagation, significantly reducing computational overhead. To capture the intrinsic structure of the resulting representations, granular-ball computing is employed to adaptively model data distributions via density-consistent regions, yielding compact and robust anchor graph representations. Furthermore, a consensus-based anchoring graph optimization strategy is introduced to effectively align multiscale reservoir representations and integrate complementary information across temporal scales. Extensive experiments on widely used univariate and multivariate benchmark datasets demonstrate that MSRGC-Net consistently outperforms state-of-the-art methods in clustering performance while maintaining superior computational efficiency.
- Abstract（参考訳）: クラスタリングの有効性と計算効率のトレードオフにより、時系列クラスタリングは依然として困難である。
類似性に基づく手法は、ペア距離計算によって引き起こされる二次的な複雑さに悩まされることが多いが、ディープラーニングに基づくアプローチは、通常、コストのかかる反復的なトレーニングと、多数のトレーニング可能なパラメータに依存する。
本稿では,マルチスケール貯水池計算,粒界型アンカーグラフ構築,コンセンサス学習を統合した効率的な時系列クラスタリングフレームワークであるMSRGC-Netを提案する。
MSRGC-Netはトレーニング不要な貯水池計算パラダイムを採用し、バックプロパゲーションなしで生の時系列からマルチスケールの時間表現を抽出し、計算オーバーヘッドを大幅に削減する。
得られた表現の本質的な構造を捉えるため、密度一貫性のある領域を介してデータ分布を適応的にモデル化し、コンパクトでロバストなアンカーグラフ表現を生成する。
さらに、マルチスケールの貯水池表現を効果的に整合させ、時間スケールで補完情報を統合するために、コンセンサスに基づくアンカーリンググラフ最適化戦略を導入する。
広く使われている一変量および多変量ベンチマークデータセットの広範な実験により、MSRGC-Netは、優れた計算効率を維持しながらクラスタリング性能における最先端の手法を一貫して上回っていることが示された。
関連論文リスト
- Complexity-Balanced Diffusion Splitting [20.558008394592097]
Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。
CBSは拡散時間軸を等近似重みのセグメントに分割する。
CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
論文 参考訳（メタデータ） (2026-06-04T17:57:15Z) - Divide and Contrast: Learning Robust Temporal Features without Augmentation [4.7318594191739765]
Divide and Contrast(Di-COT)は、データ拡張とマルチエンコーダパスを回避する、教師なしのフレームワークである。
Di-COTは各ウィンドウを、イテレーション毎に少数の重なり合うサブブロックに分割し、効率的で意味のあるコントラストを可能にする。
6つの大規模な実世界のデータセットとUCRとUEAベンチマークの実験は、Di-COTが意味的に構造化され、転送可能な表現を学ぶことを実証している。
論文 参考訳（メタデータ） (2026-05-20T14:31:44Z) - SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。
多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。
全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
論文 参考訳（メタデータ） (2026-04-19T09:55:28Z) - Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation [51.65236537605077]
我々は,新しいタイプのネットワーク圧縮最適化手法,完全ランダム化テンソルネットワーク圧縮(FCTN)を提案する。
FCTNは多次元データ処理と解析において顕著な業績を残している。
定式化モデルの解法を保証した効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2026-02-13T14:56:37Z) - 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) - Perceiver-based CDF Modeling for Time Series Forecasting [25.26713741799865]
本稿では,時系列データの累積分布関数(CDF)をモデル化するための新しいアーキテクチャであるPerceiver-CDFを提案する。
提案手法は,マルチモーダル時系列予測に適したコプラに基づくアテンション機構と,知覚アーキテクチャを組み合わせたものである。
単調かつマルチモーダルなベンチマークの実験は、最先端の手法よりも20%改善されていることを一貫して示している。
論文 参考訳（メタデータ） (2023-10-03T01:13:17Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-05-18T06:17:50Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - An Accurate and Efficient Large-scale Regression Method through Best
Friend Clustering [10.273838113763192]
データサンプルの中で最も重要な情報を捉えた、新規でシンプルなデータ構造を提案します。
クラスタリングと回帰テクニックを並列ライブラリとして組み合わせ、データのハイブリッド構造とモデルの並列性を利用して予測を行います。
論文 参考訳（メタデータ） (2021-04-22T01:34:29Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳（メタデータ） (2020-06-16T18:43:31Z)
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。