論文の概要: FreSH: Frequency-Segmented Hierarchical Multi-Expert Framework for Multivariate Time Series Classification
- arxiv url: http://arxiv.org/abs/2608.08207v1
- Date: Sat, 08 Aug 2026 16:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.723089
- Title: FreSH: Frequency-Segmented Hierarchical Multi-Expert Framework for Multivariate Time Series Classification
- Title（参考訳）: FreSH:多変量時系列分類のための周波数分割階層型マルチエキスパートフレームワーク
- Abstract要約: 本稿では、これらの課題に対処するために設計された周波数分割階層型多言語フレームワークであるFreSHを紹介する。
FreSHは、時間信号の適応的マルチスケール解析を可能にすることで、MTSCの新しい視点を導入する。
分類精度において最先端の手法を一貫して上回り、モデルのサイズと効率を大幅に低下させる。
- 参考スコア（独自算出の注目度）: 15.396551583872009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate Time Series Classification (MTSC) demands models that can effectively capture complex temporal patterns across multiple scales while remaining computationally efficient. However, existing approaches generally struggle to reconcile fine-grained representation learning, especially under class imbalance and real-world constraints. In this paper, we present FreSH, a Frequency-Segmented Hierarchical Multi-Expert Framework designed to address these challenges. FreSH introduces a new perspective for MTSC by enabling adaptive, multi-scale analysis of temporal signals, allowing different aspects of the data to be modeled in a complementary and coordinated manner. By combining localized specialization with holistic context modeling, FreSH achieves strong representational capacity without incurring excessive computational overhead. An adaptive fusion strategy further enhances flexibility, enabling the model to dynamically emphasize the most informative components of the input. In addition, we incorporate a more robust optimization objective that improves learning stability across varying sample difficulties and class distributions. Extensive evaluations on 30 UEA benchmark datasets and real-world vibration data demonstrate that FreSH consistently outperforms state-of-the-art methods in classification accuracy, while substantially reducing model size and efficiency.
- Abstract（参考訳）: 多変量時系列分類(MTSC)は、計算効率を保ちながら、複数のスケールにわたる複雑な時間パターンを効果的にキャプチャできるモデルを必要とする。
しかし、既存のアプローチは、特にクラス不均衡や実世界の制約の下で、きめ細かい表現学習の調整に苦慮している。
本稿では、これらの課題に対処するために設計された周波数分割階層型多言語フレームワークであるFreSHについて述べる。
FreSHは、時間信号の適応的マルチスケール解析を可能にし、データの異なる側面を相補的かつ協調的にモデル化できるようにすることにより、MTSCの新しい視点を導入している。
局所化特殊化と全体論的文脈モデリングを組み合わせることで、FreSHは過剰な計算オーバーヘッドを発生させることなく、強力な表現能力を達成する。
適応的な融合戦略は柔軟性をさらに強化し、モデルが入力の最も情報性の高いコンポーネントを動的に強調できるようにする。
さらに,様々なサンプル難易度やクラス分布の学習安定性を向上させるための,より堅牢な最適化目標を組み込んだ。
30のUEAベンチマークデータセットと実世界の振動データに対する大規模な評価は、FreSHがモデルサイズと効率を大幅に低下させながら、分類精度において最先端の手法を一貫して上回っていることを示している。
関連論文リスト
- MS-SSM: A Multi-Scale State Space Model for Efficient Sequence Modeling [60.648359990090846]
状態空間モデル(SSM)は、最近、計算コストのかかるシーケンスモデルに対する効率的な代替手段として注目されている。
本稿では,複数の解像度にまたがるシーケンスダイナミクスを表現するマルチスケールSSMフレームワークを提案し,各解像度を特殊な状態空間ダイナミクスで処理する。
論文 参考訳（メタデータ） (2025-12-29T19:36:28Z) - FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。
FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
論文 参考訳（メタデータ） (2025-12-16T04:34:27Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - MSTN: Fast and Efficient Multivariate Time Series Model [0.0]
階層型マルチスケールおよびシーケンスモデリングの原理に基づいて構築された,新しいディープラーニングアーキテクチャであるMulti-scale Temporal Network(MSTN)を紹介する。
MSTNは、局所パターンのための階層的な特徴ピラミッドを構築する畳み込みエンコーダと、長距離時間依存のためのシーケンスモデリングコンポーネントを統合する。
時系列長軸予測, 計算, 分類, 一般化可能性調査における広範囲な評価は, MSTNがSOTA(コントラスト・オブ・ザ・アーティファクト)のパフォーマンスを達成することを示すものである。
論文 参考訳（メタデータ） (2025-11-25T18:09:42Z) - MICACL: Multi-Instance Category-Aware Contrastive Learning for Long-Tailed Dynamic Facial Expression Recognition [12.538204312275935]
動的マルチスケールカテゴリー対応コントラスト学習(LMCC)と呼ばれる新しいマルチインスタンスモデル学習フレームワークを提案する。
LMCC メジャーとマイナーのバランストレーニング。
フィールド内データセットの実験により、MICは優れた顔と一般化で最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2025-09-04T16:03:14Z) - KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting [8.839783121363835]
そこで我々は,これらの課題に対処するために,KAを用いた適応周波数選択学習アーキテクチャ(KFS)を提案する。
このフレームワークは、クロススケールノイズ干渉と複雑なパターンモデリングから生じる予測問題に対処する。
複数の実世界の時系列データセットにまたがる実験により、KTは単純で効果的なアーキテクチャとして最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-08-01T13:50:57Z) - MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting [18.815152183468673]
時系列予測は多くの分野において重要であるが、現在のディープラーニングモデルはノイズやデータの分散、複雑なパターンのキャプチャに苦労している。
本稿では,コントラスト学習とマルチスケール特徴抽出を組み合わせることで,これらの課題に対処する新しいフレームワークであるMFF-FTNetを提案する。
5つの実世界のデータセットに対する大規模な実験は、MFF-FTNetが最先端のモデルを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-11-26T12:41:42Z) - TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳（メタデータ） (2023-10-02T16:45:19Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z)
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。