論文の概要: GLAIM: Learning Global and Local Adaptive Inter-Variable Dependency for Multivariate Time Series Imputation

• arxiv url: http://arxiv.org/abs/2608.02366v1
• Date: Mon, 03 Aug 2026 15:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.621933
• Title: GLAIM: Learning Global and Local Adaptive Inter-Variable Dependency for Multivariate Time Series Imputation
• Title（参考訳）: GLAIM:多変量時系列インプットのためのグローバルおよび局所適応型変数間依存性の学習
• Abstract要約: GLAIM(Global-Local Adaptive Inter-variable Dependency Modeling)は、多変量時系列計算のためのフレームワークである。 安定なグローバル依存コンストラクタは、相補的な時間的表現から、堅牢なグローバルなグローバルな相互依存性を導出する。 Sample-Conditioned Dependency Refinerは、その時間状態と利用可能な観測値を使用して、このバックボーンを各サンプルとタイムステップに適合させる。
• 参考スコア（独自算出の注目度）: 12.350713285047986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series imputation is fundamental to downstream analysis, yet modeling inter-variable dependencies with incomplete observations remains challenging. Existing methods learn global dependencies across samples or dynamic local dependencies per sample. Global dependencies are stable but adapt poorly to sample variations and temporal non-stationarity, whereas local dependencies are adaptive yet unreliable when observations are insufficient, causing erroneous information propagation. To address these limitations, we propose GLAIM, a Global-Local Adaptive Inter-variable Dependency Modeling framework for multivariate time series imputation. GLAIM comprises two complementary components. The Stable Global Dependency Constructor derives robust global inter-variable dependencies from complementary temporal representations, providing a stable backbone less affected by sample-specific missingness and noise. The Sample-Conditioned Dependency Refiner adapts this backbone to each sample and time step using its temporal state and available observations, enabling reliable local refinement under incomplete observations. Extensive experiments on nine real-world datasets demonstrate that GLAIM achieves state-of-the-art performance under random and block missingness, remains robust to missing-rate shifts, and benefits from its complementary global and local components. Code is available at https://github.com/LuRenjias/GLAIM.
• Abstract（参考訳）: 多変量時系列計算は下流解析の基本であるが、不完全な観測で変数間の依存関係をモデル化することは依然として困難である。 既存のメソッドは、サンプル全体にわたるグローバルな依存関係や、サンプルごとの動的ローカル依存関係を学習する。 グローバルな依存関係は安定しているが、サンプルのばらつきや時間的非定常性には不適応であるが、観測が不十分な場合、局所的な依存関係は適応可能であり、誤った情報伝達を引き起こす。 これらの制約に対処するため,多変量時系列計算のためのGLAIM(Global-Local Adaptive Inter-variable Dependency Modeling)フレームワークを提案する。 GLAIMは2つの相補成分からなる。 安定なグローバル依存コンストラクタは、相補的な時間的表現から、堅牢なグローバルなグローバルな相互依存性を導出する。 サンプル・コンディションド Dependency Refiner はこのバックボーンを、その時間状態と可観測値を用いて各サンプルとタイムステップに適合させ、不完全な観測の下で信頼性の高い局所的な精錬を可能にする。 9つの実世界のデータセットに対する大規模な実験は、GLAIMがランダムでブロックの欠如の下で最先端のパフォーマンスを達成し、欠落率のシフトに対して堅牢であり、補完的なグローバルおよびローカルコンポーネントの恩恵を受けていることを示している。 コードはhttps://github.com/LuRenjias/GLAIMで入手できる。

関連論文リスト

• 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)
• SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting [8.507253633170947]
  時空間依存モデリングのためのスペクトルエントロピー誘導評価フレームワークを開発した。 SEEDは各変数の空間的および時間的依存関係を予備評価し、モデルが適応的にチャネル独立(CI)とチャネル依存(CD)戦略のバランスをとることを可能にする。 SEEDは最先端のパフォーマンスを実現し、その有効性と汎用性を検証する。
  論文  参考訳（メタデータ） (2025-12-09T06:18:05Z)
• Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
  Time Series Imputationは、時間データの欠落した値を復元することを目的としている。 既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。 我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:24:44Z)
• DeCoP: Enhancing Self-Supervised Time Series Representation with Dependency Controlled Pre-training [39.30046923897652]
  本稿では、動的でマルチスケールな依存関係を、進化するパッチ間の依存関係をシミュレートすることで、明示的にモデル化する依存性制御事前学習フレームワークを提案する。 DeCoPは、低いコンピューティングリソースを持つ10のデータセットに対して最先端の結果を達成し、わずか37%のFLOPを使用して、PatchTST上のETTh1上でMSEを3%改善する。
  論文  参考訳（メタデータ） (2025-09-18T05:44:06Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• AFCL: Analytic Federated Continual Learning for Spatio-Temporal Invariance of Non-IID Data [45.66391633579935]
  Federated Continual Learning (FCL)は、分散クライアントがオンラインタスクストリームからグローバルモデルを協調的にトレーニングすることを可能にする。 FCL法は,分散クライアント間の空間的データ不均一性とオンラインタスク間の時間的データ不均一性の両方の課題に直面している。 凍結抽出特徴量から解析的解(すなわち閉形式)を導出することにより,解析的フェデレート連続学習(AFCL)と呼ばれる勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2025-05-18T05:55:09Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Decoupling Local and Global Representations of Time Series [38.73548222141307]
  本稿では,時系列における大域的・局所的な変動要因の表現を学習するための新しい生成手法を提案する。 実験では,シミュレーションデータ上での真の局所的および大域的変動係数の回復を実証した。 表現を定義する方法の提案は、データモデリングに有用であり、実世界のデータの複雑さに関するより良い洞察をもたらすと信じています。
  論文  参考訳（メタデータ） (2022-02-04T17:46:04Z)
• Multi-Agent Reinforcement Learning in Stochastic Networked Systems [30.78949372661673]
  エージェントネットワークにおけるマルチエージェント強化学習(MARL)について検討する。 目的は、世界的報酬を最大化する局所的な政策を見つけることである。
  論文  参考訳（メタデータ） (2020-06-11T16:08:16Z)

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。