論文の概要: TSDS-Toolbox: A Toolbox for Measuring Time-Series Dataset Similarity

• arxiv url: http://arxiv.org/abs/2608.08119v1
• Date: Sat, 08 Aug 2026 13:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.68524
• Title: TSDS-Toolbox: A Toolbox for Measuring Time-Series Dataset Similarity
• Title（参考訳）: TSDS-Toolbox:時系列データセットの類似性を測定するツールボックス
• Abstract要約: 本稿では時系列データセット類似性をベンチマークするための統合フレームワークを提案する。 本研究は,時系列データセット類似性手法の系統的および再現可能な比較を可能にする。 TSDS-Toolboxの有効性は、様々な実験環境下での総合的な実験を通じて検証される。
• 参考スコア（独自算出の注目度）: 72.26697105672062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of artificial intelligence (AI) has significantly accelerated research in time-series analysis, particularly in forecasting, classification, and generation tasks. Recent models, especially foundation models, benefit from time-series dataset similarity due to its significant role in source dataset selection for fine-tuning. However, many existing implementations for benchmarking time-series dataset similarity methods are fragmented and difficult to extend. To address this, we present a unified framework, the Time-Series Dataset Similarity Toolbox (TSDS-Toolbox). Our work enables (1) systematic and reproducible comparisons of time-series dataset similarity methods; (2) flexible extensibility for users to add customized datasets, similarity methods, and downstream time-series tasks; and (3) consistent evaluation of both dataset-level and series-level similarity methods through integrated time-series dataset reducers. The effectiveness of TSDS-Toolbox is validated through comprehensive experiments under diverse experimental settings. Our toolbox is publicly available.
• Abstract（参考訳）: 人工知能(AI)の急速な進歩は、時系列分析、特に予測、分類、生成タスクにおける研究を著しく加速させてきた。 最近のモデル、特にファンデーションモデルは、微調整のためのソースデータセット選択において重要な役割を担っているため、時系列データセットの類似性から恩恵を受けている。 しかし、時系列データセット類似性をベンチマークするための既存の実装の多くは断片化されており、拡張が困難である。 これを解決するために、統合されたフレームワークであるTime-Series Dataset similarity Toolbox (TSDS-Toolbox)を提案する。 本研究は,(1)時系列データセット類似性手法の体系的および再現的比較,(2)カスタマイズされたデータセット,類似性メソッド,下流時系列タスクをユーザが追加するための柔軟な拡張性,(3)時系列データセット類似性手法と時系列データセット類似性手法の整合性評価を可能にする。 TSDS-Toolboxの有効性は、様々な実験環境下での総合的な実験を通じて検証される。 私たちのツールボックスは公開されています。

関連論文リスト

• Measuring Time-Series Dataset Similarity using Wasserstein Distance [21.101558938915634]
  時系列データセットの類似度測定は、モデル選択、微調整、可視化など、さまざまな方法で研究を支援する。 本稿では,ワッサースタイン距離を利用して時系列データセットの類似度を測定する分布に基づく手法を提案する。
  論文  参考訳（メタデータ） (2025-07-29T19:33:10Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• Dataset Condensation for Time Series Classification via Dual Domain Matching [12.317728375957717]
  本研究では,textittextbfTime textittextbfSeries textittextbfClassificationをDual Domain Matching経由で生成する新しいフレームワークであるtextittextbfCondensationを提案する。 提案するフレームワークは,時間領域と周波数領域の両方のサロゲート目的にマッチする凝縮データセットを生成することを目的としている。
  論文  参考訳（メタデータ） (2024-03-12T02:05:06Z)
• EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models [1.23187154417297]
  我々は時系列を生成するための解釈可能でシンプルなフレームワークを開発する。 本手法は時系列分解と解析関数を組み合わせることで,分布内データと分布外データの両方に一致する特性を持つ時系列を生成することができる。 私たちは、モデルロバスト性を改善するために、我々のフレームワークが意味のあるOOD時系列を生成する方法を示します。
  論文  参考訳（メタデータ） (2024-03-06T07:34:47Z)
• Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
  本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。 実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
  論文  参考訳（メタデータ） (2022-04-07T14:02:15Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
  一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。 私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
  論文  参考訳（メタデータ） (2021-03-15T08:12:19Z)

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。