Fugu-MT 論文翻訳(概要): In-Context Time Series Classification with Random Convolutional Features

論文の概要: In-Context Time Series Classification with Random Convolutional Features

arxiv url: http://arxiv.org/abs/2607.19234v1
Date: Tue, 21 Jul 2026 16:04:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.484418
Title: In-Context Time Series Classification with Random Convolutional Features
Title（参考訳）: ランダム畳み込み特徴を用いた文脈内時系列分類
Abstract要約: 時系列分類は、医療信号分析、産業モニタリング、センサーに基づく活動認識などの領域の中心である。我々は,MultiRocketとHydraを結合したパイプラインであるMASHTを提案する。提案手法はタスク固有のモデルトレーニングを完全に回避し,特徴抽出と直接推論のみを必要とする。
参考スコア（独自算出の注目度）: 38.40148298084127
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time series classification is central to domains like medical signal analysis, industrial monitoring, and sensor-based activity recognition, where class information manifests as localized shapes, specific frequencies, temporal shifts, or complex cross-channel interactions. Random convolutional transforms efficiently map these sequences to fixed-dimensional tabular features but are traditionally paired with simple linear classifiers. We investigate whether a pretrained tabular foundation model can more effectively harness these rich representations. We propose MASHT, a pipeline that marries MultiRocket and Hydra features with the power of in-context tabular foundation models. By leveraging a pretrained tabular foundation model, our approach completely bypasses task-specific model training, requiring only feature extraction and direct inference. Extensive experiments demonstrate that MASHT matches state-of-the-art time series classification baselines on univariate tasks, achieving a lower average rank than HIVE-COTE 2.0. On multivariate datasets, MASHT remains highly competitive with the strongest reference methods.
Abstract（参考訳）: 時系列分類は、医学信号分析、産業モニタリング、センサーに基づくアクティビティ認識などの領域の中心であり、クラス情報は局所化された形状、特定の周波数、時間シフト、複雑なチャネル間相互作用として表される。ランダム畳み込み変換はこれらの列を固定次元のタブ状特徴に効率的にマッピングするが、伝統的に単純な線形分類器とペアリングされる。本稿では,これらのリッチ表現をより効果的に活用することができるかを検討する。我々は,MultiRocketとHydraを結合したパイプラインであるMASHTを提案する。事前学習した表形式の基礎モデルを利用することで、タスク固有のモデルトレーニングを完全に回避し、特徴抽出と直接推論のみを必要とする。大規模な実験により、MASHTは一変量に基づく最新時系列分類基準と一致し、HIVE-COTE 2.0よりも低いランクに到達した。多変量データセットでは、MASHTは最強参照手法と高い競争力を保っている。

関連論文リスト

ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning [52.72143039958434]
異種チャネル構成にまたがるコンテキスト内分類のための分類ネイティブ基盤モデルであるChorusticを導入する。 Chorusticは、可変チャネル構成を元のチャネルカウントとは無関係に固定幅の表現にマッピングする。コンテキスト由来の分布を使って機能軸を校正し、リーク保護されたコンテキスト内学習を通じてクエリラベルを予測する。
論文参考訳（メタデータ） (2026-08-25T03:45:24Z)
Prototype-Guided Classification Sub-Task Decoupling Framework: Enhancing Generalization and Interpretability for Multivariate Time Series [17.242128977027246]
時系列分類(TSC)は、近年注目を集めている長年の研究課題である。我々は,時系列分類を多段階決定プロセスとして再構成するプロトタイプ誘導フレームワークであるPDFTimeを提案する。我々の知る限り、PDFTimeは、分離された多段階の類似性に基づく推論プロセスとして時系列分類を再構成する最初のフレームワークです。
論文参考訳（メタデータ） (2026-05-21T06:45:50Z)
TiCT: A Synthetically Pre-Trained Foundation Model for Time Series Classification [24.157185193971856]
テキスト内分類を行うために合成データのみに事前訓練したトランスフォーマーベースモデルであるTiCTを紹介する。 TiCTは最先端の教師付き手法と競合する性能を発揮する。
論文参考訳（メタデータ） (2025-11-24T20:57:55Z)
ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models [111.27770361128056]
時系列を意味のあるシェープレット駆動セグメントに分割する革新的なフレームワークであるShapeXを紹介する。 ShapeXの中核にはShapelet Describe-and-Detectフレームワークがあり、分類に不可欠なさまざまなシェイプレットを効果的に学習する。
論文参考訳（メタデータ） (2025-10-23T00:01:40Z)
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)
Bridging Distribution Gaps in Time Series Foundation Model Pretraining with Prototype-Guided Normalization [29.082583523943157]
本稿では,Transformerアーキテクチャ内でのドメイン対応適応正規化戦略を提案する。従来のLayerNormをプロトタイプ誘導動的正規化機構(ProtoNorm)に置き換える。本手法は,従来の事前学習手法よりも,分類タスクと予測タスクの両方において優れていた。
論文参考訳（メタデータ） (2025-04-15T06:23:00Z)
MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2025-03-11T11:40:14Z)
VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。 30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
論文参考訳（メタデータ） (2024-12-21T07:31:22Z)
Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
論文参考訳（メタデータ） (2024-10-09T17:09:30Z)
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)

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。