Fugu-MT 論文翻訳(概要): ALER-TI: Aligned Latent Embedding Retrieval for Time Series Imputation

論文の概要: ALER-TI: Aligned Latent Embedding Retrieval for Time Series Imputation

arxiv url: http://arxiv.org/abs/2607.07640v1
Date: Wed, 08 Jul 2026 16:59:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.469823
Title: ALER-TI: Aligned Latent Embedding Retrieval for Time Series Imputation
Title（参考訳）: ALER-TI: 時系列インプットのための遅延埋め込み検索
Abstract要約: ALER-TIは、履歴パターンを明示的に活用して、劣化したローカルコンテキストを補完し、より信頼性の高い欠落値再構成を行う検索拡張フレームワークである。 ALER-TIは、強いベースラインモデルを一貫して改善し、様々な計算条件で堅牢性を高める。
参考スコア（独自算出の注目度）: 2.185694185279913
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has significantly advanced time series imputation, yet most existing architectures primarily rely on localized temporal context within the corrupted input sequence. This reliance can be limiting in real-world scenarios, where time series often exhibit non-stationary dynamics, weak temporal correlations, and infrequent patterns that are difficult to reconstruct from nearby observations alone. In this paper, we propose ALER-TI, Aligned Latent Embedding Retrieval for Time Series Imputation, a retrieval-augmented framework that explicitly leverages historical patterns to supplement degraded local context for more reliable missing-value reconstruction. The core of ALER-TI is Latent Embedding Alignment (LEA), which mitigates the representation mismatch between corrupted queries and complete historical candidates. By applying post-hoc masking in the latent space, LEA aligns candidates with the query's missingness pattern while allowing historical embeddings to be pre-computed and cached for efficient retrieval. ALER-TI is model-agnostic and can be integrated with various imputation backbones through a lightweight adaptation module. Extensive experiments on six real-world datasets under different missing rates demonstrate that ALER-TI consistently improves strong baseline models and enhances robustness across diverse imputation settings.
Abstract（参考訳）: 深層学習は時系列計算を著しく進歩させたが、既存のアーキテクチャのほとんどは、主に破損した入力シーケンス内の局所的な時間的コンテキストに依存している。実世界のシナリオでは、時系列はしばしば非定常的ダイナミクス、弱い時間的相関、そして近くの観測だけでは再構成が困難である頻繁なパターンを示す。本稿では,時系列インプットのためのALER-TI(Aligned Latent Embedding Retrieval for Time Series Imputation)を提案する。 ALER-TI のコアは遅延埋め込みアライメント (LEA) であり、不正なクエリと完全な履歴候補の間の表現ミスマッチを緩和する。潜伏空間にポストホックマスキングを適用することで、LEAは、過去の埋め込みを事前計算し、効率的な検索のためにキャッシュすると共に、クエリの欠落パターンに候補を整列させる。 ALER-TIはモデルに依存しないため、軽量適応モジュールを通じて様々なインパルスバックボーンと統合することができる。 6つの実世界のデータセットに対する大きな実験では、ALER-TIは強いベースラインモデルを一貫して改善し、多様な計算条件で堅牢性を高める。

関連論文リスト

TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion [12.980172248250257]
本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。 7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
論文参考訳（メタデータ） (2026-07-31T14:24:26Z)
Stationarity-Aware Retrieval-Augmented Time Series Forecasting [5.059121667323038]
時系列予測は歴史的パターンに依存している。リアルワールドシリーズは、しばしば非定常性やレギュラーシフトを示す。定常性を考慮した検索時系列予測手法を提案する。
論文参考訳（メタデータ） (2026-06-02T18:47:16Z)
Long-Term Multi-Session 3D Reconstruction Under Substantial Appearance Change [52.46888249268445]
長期の環境モニタリングには、数ヶ月または数年ごとに分割された繰り返しサイト訪問で3Dモデルを再構築し調整する機能が必要である。既存のアプローチは、独立して再構築されたセッションのポストホックアライメントに依存している。我々は,共同SfM再建において,クロスセッション対応を直接実施することを提案する。
論文参考訳（メタデータ） (2026-02-24T06:12:51Z)
MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文参考訳（メタデータ） (2026-02-14T14:00:06Z)
A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
論文参考訳（メタデータ） (2026-02-10T17:16:49Z)
Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
論文参考訳（メタデータ） (2026-02-10T11:46:15Z)
LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
論文参考訳（メタデータ） (2026-02-09T13:33:49Z)
Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection [1.6111818380407035]
OracleADは時系列異常検出のための教師なしフレームワークである。予測誤差と安定遅延構造からの偏差に基づく二重スコアリング機構を用いて異常を同定する。 OracleADは、複数の実世界のデータセットと評価プロトコルにまたがって最先端の結果を達成する。
論文参考訳（メタデータ） (2025-10-18T13:53:41Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2025-09-25T14:05:15Z)
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)

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。