論文の概要: CASC: Causal Adversarial Subspace Clustering for Multivariate Spatiotemporal Data

• arxiv url: http://arxiv.org/abs/2607.21088v1
• Date: Thu, 23 Jul 2026 09:19:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.347273
• Title: CASC: Causal Adversarial Subspace Clustering for Multivariate Spatiotemporal Data
• Title（参考訳）: CASC:多変量時空間データのための因果逆部分空間クラスタリング
• Abstract要約: 高次元データから潜伏状態を検出するための新しいCASC(Causal Adrial Subspace Clustering Generation)フレームワークを提案する。 CASCは、U-Netにインスパイアされた深い対向クラスタリングアーキテクチャと、重ねられたFAConvLSTM層を統合し、空間構造と時間構造を保存する。 また,(1) 自己表現と潜在因果関係を一致させる因果保存損失,(2) 進化する部分空間構造と非定常環境における時間的状態遷移を捉える動的時間的部分空間進化損失の2つの新たな学習目標を提案する。
• 参考スコア（独自算出の注目度）: 0.16206783799607727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep subspace clustering plays a critical role in applications involving multivariate spatiotemporal data, such as sea ice monitoring, disease spread analysis, and tracking neuro-degeneration over time. Despite recent advances, existing methods primarily rely on geometric self-expressiveness, assume static subspace structures, and often fail to capture causal dependencies, local spatial interactions, and long-range temporal dynamics inherent in complex spatiotemporal systems. To address these limitations, we propose a novel Causal Adversarial Subspace Clustering (CASC) framework for discovering evolving latent regimes in high-dimensional spatiotemporal data. CASC integrates a U-Net-inspired deep adversarial clustering architecture with stacked FAConvLSTM layers to preserve spatial and temporal structure while learning robust latent representations. A graph attention transformer-based self-expressive network is introduced to jointly model local spatial relationships, global dependencies, and long-range temporal interactions. Furthermore, we propose two new learning objectives: (1) a Causal Subspace Preservation Loss that aligns self-expression coefficients with latent causal relationships, encouraging clusters to reflect underlying causal processes rather than simple feature similarity, and (2) a Dynamic Temporal Subspace Evolution Loss that captures evolving subspace structures and temporal regime transitions in nonstationary environments. Together, these components transform deep subspace clustering from a correlation-driven paradigm into a causal-temporal regime discovery framework.
• Abstract（参考訳）: 深部宇宙空間のクラスタリングは、海氷モニタリング、病気の拡散分析、時間経過に伴う神経変性の追跡など、多変量時空間データを含むアプリケーションにおいて重要な役割を担っている。 最近の進歩にもかかわらず、既存の手法は主に幾何学的自己表現性に依存し、静的な部分空間構造を仮定し、しばしば因果関係、局所的な空間的相互作用、複雑な時空間系に固有の長距離時間力学を捉えることに失敗する。 これらの制約に対処するために,高次元時空間データにおける潜時状態の進化を検出するためのCausal Adversarial Subspace Clustering (CASC) フレームワークを提案する。 CASCは、U-Netにインスパイアされた深い対向クラスタリングアーキテクチャと重ねられたFAConvLSTMレイヤを統合し、堅牢な潜在表現を学習しながら、空間的および時間的構造を保存する。 グラフアテンション変換器を用いた自己表現ネットワークを導入し,局所的空間関係,大域的依存関係,長距離時間的相互作用をモデル化する。 さらに,(1)自己表現係数を潜在因果関係に整合させる因果的部分空間保存損失,(2)非定常環境における部分空間構造と時間的状態遷移を捉える動的時間的部分空間進化損失の2つの新たな学習目標を提案する。 これらのコンポーネントは共に、深いサブスペースクラスタリングを相関駆動のパラダイムから因果時間的状態発見フレームワークに変換する。

関連論文リスト

• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data [0.6054759773528756]
  時空システムの因果グラフ発見は高次元グリッドデータでは困難である。 CaStLeは、時空の局所性と定常性の仮定の下で、そのニッチに対処するために開発された。 本稿では,M-CaStLeを用いて局所的な内部同定と時空間の時間的因果構造をグリッドデータでモデル化する。
  論文  参考訳（メタデータ） (2026-05-01T04:40:35Z)
• Emergence Transformer: Dynamical Temporal Attention Matters [8.268321002607737]
  人工知能の画期的なアーキテクチャであるTransformerは、その成功をアテンションメカニズムに負っている。 本稿では,各コンポーネントが自前の状態や隣人の過去の状態と対話できるEmergence Transformerを提案する。 我々は,DTAが社会的コヒーレンスを再認識し,合意の強化や複数保持の戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-18T01:10:44Z)
• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• Attention-Guided Deep Adversarial Temporal Subspace Clustering (A-DATSC) Model for multivariate spatiotemporal data [0.16206783799607727]
  サブスペースクラスタリングモデルは、融雪検出海氷追跡などの応用に不可欠である。 グラフアテンションに基づく自己表現型ネットワークは、局所的な空間的関係、グローバルな依存関係、短距離と長距離の両方をキャプチャする。 3つの実世界のデータセットによる実験により、A-SCSCは最先端の深層宇宙クラスタリングモデルと比較してかなり優れたクラスタリング性能を達成している。
  論文  参考訳（メタデータ） (2025-10-20T18:38:26Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data [0.15763762230817438]
  本稿では,2次元グラフ注意変換器(B-TGAT)を統合した時間分散ハイブリッドU-Netオートコーダを提案する。 エンコーダとデコーダは、共同時空間特徴を抽出するConvLSTM2Dモジュールを備えている。 実験は、最先端のベースラインと比較して、クラスター分離性、時間的安定性、既知の気候遷移との整合性が優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-16T16:08:21Z)
• Reduced Spatial Dependency for More General Video-level Deepfake Detection [9.51656628987442]
  本稿では,複数の空間的摂動クラスタから共通の時間的整合性を統合した空間依存削減法を提案する。 大規模なベンチマークとアブレーション研究は、我々のアプローチの有効性と合理性を示している。
  論文  参考訳（メタデータ） (2025-03-05T08:51:55Z)
• Discovering Latent Causal Graphs from Spatiotemporal Data [23.400027588427964]
  気候データから因果関係を推定することは、高次元の問題である。 SPACY(Tiotemporal CausalY)は潜在因果構造に基づく推論のための新しいフレームワークである。 SPACYはまた、現実世界の気候データから既知の重要な現象を特定する。
  論文  参考訳（メタデータ） (2024-11-08T05:12:16Z)
• A Decoupled Spatio-Temporal Framework for Skeleton-based Action Segmentation [89.86345494602642]
  既存の手法は、弱い時間的モデリング能力に制限されている。 この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。 DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-10T09:11:39Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。