論文の概要: Learning by Shifting: Temporal View Construction for Time Series Contrastive Learning

• arxiv url: http://arxiv.org/abs/2606.21957v1
• Date: Sat, 20 Jun 2026 09:07:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:38:20.163014
• Title: Learning by Shifting: Temporal View Construction for Time Series Contrastive Learning
• Title（参考訳）: シフトによる学習:時系列コントラスト学習のための時間的視点構築
• Authors: Abdul-Kazeem Shamba, Kerstin Bach, Gavin Taylor,
• Abstract要約: 監視された学習は大量のラベル付きデータを必要とします。 自己教師付き学習、特に対照的な学習は、ラベルのないデータから直接リッチな表現学習を可能にする、魅力的な代替手段として現れてきた。 時系列の既存のアプローチは、強いドメイン仮定を埋め込んだ手作りの拡張とマスキングに依存している。 本稿では,時系列設定における比較学習力学の系統的解析を行い,バッチサイズと負数の影響について検討する。
• 参考スコア（独自算出の注目度）: 4.7318594191739765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised learning demands large quantities of labeled data, a bottleneck that is expensive and reliant on domain-specific expertise. Self-supervised learning, particularly contrastive learning, has emerged as a compelling alternative, enabling rich representation learning directly from unlabeled data. Yet its success hinges critically on the design of positive and negative sample pairs. Existing approaches for time series rely on hand-crafted augmentations and masking heuristics that embed strong domain assumptions, often limiting generalization across diverse temporal patterns and potentially introducing spurious correlations. In this work, we challenge this paradigm by demonstrating that explicitly encoding temporal shift invariance through a simple, deterministic view construction is sufficient to learn strong representations for time series classification. By exploiting temporal structure, our method, Shift Invariant Feature Training (ShiFT), achieves state-of-the-art performance on six diverse real-world time series benchmark datasets, as well as the UCR and UEA archives, while reducing training time. Beyond empirical performance, we present a systematic analysis of contrastive learning dynamics in time series settings, examining the effects of batch size and the number of negatives on downstream performance. Our findings provide practical insights for designing efficient contrastive learning frameworks for time series representation learning. The source code is publicly available at https://github.com/sfi-norwai/ShiFT.
• Abstract（参考訳）: 監視された学習は大量のラベル付きデータを必要とします。 自己教師付き学習、特に対照的な学習は、ラベルのないデータから直接リッチな表現学習を可能にする、魅力的な代替手段として現れてきた。 しかし、その成功は正と負のサンプルペアの設計に批判的に依存している。 時系列の既存のアプローチは、強いドメイン仮定を埋め込んだ手作りの強化とマスキングヒューリスティックに依存しており、しばしば多様な時間的パターンの一般化を制限し、急激な相関をもたらす可能性がある。 本研究では,時系列分類のための強い表現を学習するのには,簡易な決定論的視点構築による時間シフト不変性を明示的に符号化することが十分であることを示すことによって,このパラダイムに挑戦する。 時間的構造を利用して、6つの実世界の時系列ベンチマークデータセットとUCRおよびUEAアーカイブの最先端性能を達成し、トレーニング時間を短縮したシフト不変特徴訓練(ShiFT)を行った。 実験的な性能の他に、時系列設定における対照的な学習力学の体系的解析を行い、バッチサイズと負の数が下流のパフォーマンスに与える影響について検討する。 本研究は,時系列表現学習のための効率的なコントラスト学習フレームワークを設計するための実践的洞察を提供する。 ソースコードはhttps://github.com/sfi-norwai/ShiFTで公開されている。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• 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)
• 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)
• Parametric Augmentation for Time Series Contrastive Learning [33.47157775532995]
  我々は、堅牢で差別的な表現を学習する上でモデルを支援するポジティブな例を作成します。 通常、プリセットされた人間の直観は、関連するデータ拡張の選択を指示する。 本稿では、時系列表現学習を支援するために適応的に使用できるパラメトリック拡張型学習フレームワークAutoTCLを提案する。
  論文  参考訳（メタデータ） (2024-02-16T03:51:14Z)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• A Shapelet-based Framework for Unsupervised Multivariate Time Series Representation Learning [29.511632089649552]
  時系列固有のシェープレットに基づく表現を学習し,多変量時系列のための新しいURLフレームワークを提案する。 我々の知る限りでは、これは、教師なし汎用表現学習におけるシェープレットベースの埋め込みを探求する最初の研究である。 統一型シェープレットベースのエンコーダと,マルチグレードコントラストとマルチスケールアライメントを備えた新しい学習目標が,目的達成のために特に設計されている。
  論文  参考訳（メタデータ） (2023-05-30T09:31:57Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Multi-Task Self-Supervised Time-Series Representation Learning [3.31490164885582]
  時系列表現学習は、時間的ダイナミクスとスパースラベルを持つデータから表現を抽出することができる。 自己教師型タスクの利点を組み合わせた時系列表現学習手法を提案する。 本稿では,時系列分類,予測,異常検出という3つのダウンストリームタスクの枠組みについて検討する。
  論文  参考訳（メタデータ） (2023-03-02T07:44:06Z)

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。