論文の概要: FMMVCC: Fuzzy Mamba-based Multi-View Contrastive Clustering for Univariate Time Series

• arxiv url: http://arxiv.org/abs/2607.07258v1
• Date: Wed, 08 Jul 2026 10:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.35625
• Title: FMMVCC: Fuzzy Mamba-based Multi-View Contrastive Clustering for Univariate Time Series
• Title（参考訳）: FMMVCC:ファジィマンバを用いた一様時系列のマルチビューコントラストクラスタリング
• Abstract要約: 本稿では,マンバをベースとした時系列のディープクラスタリングフレームワークFMMVCCを紹介する。 状態空間シーケンスモデリングを利用して、線形複雑度で時間表現を効率的に学習する。 FMMVCCは15のベンチマークデータセットにおいて、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 3.137177972404253
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In many realistic scenarios, large volumes of time series data are generated with limited or expensive annotations. This limitation makes supervised learning methods difficult to apply and leads to the use of unsupervised approaches capable of discovering meaningful structures directly from raw data. Clustering therefore plays a crucial role in organizing time series into groups that share similar temporal patterns, enabling exploratory analysis and downstream tasks without requiring manual labeling. However, existing deep clustering methods often struggle to capture long-range temporal dependencies or rely on architectures with high computational cost. This paper introduces FMMVCC, a Mamba-based deep clustering framework for time series that leverages state space sequence modeling to efficiently learn temporal representations with linear complexity. Additionally, it utilizes multi-view self-supervised learning with temporal masking and augmentations. Experimental evaluation in 15 benchmark datasets proves that FMMVCC consistently outperforms state-of-the-art baselines, achieving the best overall performance in 29 of 60 total metric evaluations and the highest average rank in all tested scenarios.
• Abstract（参考訳）: 多くの現実的なシナリオでは、大量の時系列データが制限付きまたは高価なアノテーションで生成される。 この制限により、教師あり学習手法の適用が困難になり、生データから直接意味のある構造を発見できる教師なしアプローチが利用できるようになる。 そのため、クラスタリングは、時系列を同様の時間パターンを共有するグループに編成する上で重要な役割を担い、手動ラベリングを必要とせずに探索分析と下流タスクを可能にします。 しかし、既存のディープクラスタリング手法は、しばしば長期の時間的依存を捉えたり、高い計算コストでアーキテクチャに依存するのに苦労する。 本稿では,マンバをベースとした時系列の深層クラスタリングフレームワークFMMVCCを紹介する。 さらに、時間的マスキングと拡張を伴う多視点自己教師型学習を利用する。 15のベンチマークデータセットでの実験的な評価により、FMMVCCは最先端のベースラインを一貫して上回り、合計60の計測結果のうち29で最高性能を達成し、全てのテストシナリオで最高平均ランクを達成している。

関連論文リスト

• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• 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)
• FCPCA: Fuzzy clustering of high-dimensional time series based on common principal component analysis [11.138320457692288]
  本研究は,共通主成分分析に基づくファジィクラスタリング手法を提案する。 提案手法は文献におけるいくつかの既存手法よりも優れていることを示す。 シミュレーション運転実験から記録された異なるドライバからの脳信号を含む興味深い応用は、このアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-05-12T06:59:17Z)
• Fuzzy Cluster-Aware Contrastive Clustering for Time Series [1.435214708535728]
  従来の教師なしクラスタリング手法は、しばしば時系列データの複雑な性質を捉えるのに失敗する。 本稿では,表現学習とクラスタリングを協調的に最適化するファジィクラスタ対応コントラストクラスタリングフレームワーク(FCACC)を提案する。 本稿では,時系列データの様々な特徴を活用して特徴抽出を強化するために,新しい3視点データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-03-28T07:59:23Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• 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)
• MHCCL: Masked Hierarchical Cluster-Wise Contrastive Learning for Multivariate Time Series [20.008535430484475]
  Masked Hierarchical Cluster-wise Contrastive Learning modelを示す。 時系列の複数の潜在パーティションからなる階層構造から得られる意味情報を利用する。 教師なし時系列表現学習における最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2022-12-02T12:42:53Z)

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。