論文の概要: ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning

• arxiv url: http://arxiv.org/abs/2608.24033v1
• Date: Tue, 25 Aug 2026 03:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.804378
• Title: ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning
• Title（参考訳）: Chorustic: Chorus In-Context Learningによる学習自由な多変量時系列分類
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.72143039958434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series classification underpins applications in healthcare, sensing, and industrial monitoring. Although time series foundation models support forecasting and transferable representation learning, classification still typically requires fitting a task-specific classifier on each target dataset, while individual channels of multivariate inputs are often encoded independently. We introduce ChorusTIC, a classification-native foundation model for in-context classification across heterogeneous channel configurations without target-task parameter updates. ChorusTIC combines episode-consistent Random Subchannel Slot Concatenation with a shared dual-axis encoder to model temporal and cross-channel interactions and map variable channel configurations into a fixed-width representation independent of the original channel count. It then calibrates feature axes using context-derived distributions and predicts query labels through leakage-protected in-context learning. We pretrain ChorusTIC solely on synthetic labeled episodes comprising context and query sets that share a task background, with classes distinguished by sparse temporal or cross-channel rules. Evaluations on the complete UEA-30 and UCR-128 archives show strong full-context and low-label performance without target-specific classifier fitting.
• Abstract（参考訳）: 時系列分類は、医療、センシング、産業モニタリングの応用を支えている。 時系列基礎モデルは予測と伝達可能な表現学習をサポートしているが、分類には、通常、各ターゲットデータセットにタスク固有の分類器を適合させる必要があるが、多変量入力の個別チャネルは独立して符号化されることが多い。 ターゲットタスクパラメータの更新を伴わない異種チャネル構成におけ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、エピソード一貫性のあるランダムサブチャネルスロット結合と共有二重軸エンコーダを組み合わせることで、時間的およびクロスチャネルの相互作用をモデル化し、変数チャネル構成を元のチャネルカウントとは独立に固定幅の表現にマッピングする。 次に、コンテキスト由来の分布を使って特徴軸を校正し、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。 タスクの背景を共有するコンテキストとクエリセットからなる合成ラベル付きエピソードにのみ、Chorusticを事前訓練する。 UEA-30 および UCR-128 アーカイブの完全な評価は、ターゲット固有の分類器を組み込まずに、強いフルコンテキストと低ラベルのパフォーマンスを示す。

関連論文リスト

• Unified Video Dense Prediction from Disjoint Data [71.9957801898161]
  深度,表面正規度,セマンティックセグメンテーション,境界,人的部分,アルベド,シェーディング,素材の8つの密集したシーン特性を共同で予測する統合ビデオモデルUniDを紹介する。 本稿では,タスクプロジェクタを介し,タスク毎の専門家が統一されたバックボーンを監督する簡易かつ効果的な蒸留手順を提案する。 UniDは、タスクごとのスペシャリストやマルチタスクベースラインと競合するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-07-23T17:59:50Z)
• In-Context Time Series Classification with Random Convolutional Features [38.40148298084127]
  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。
  論文  参考訳（メタデータ） (2026-07-21T16:04:35Z)
• TimEE: End-to-end Time Series Classification via In-Context Learning [42.26457535497941]
  時系列分類(TSC)は、2段階のパラダイムによって支配されている。 我々はTimEEを紹介した。TimEEはコンテキスト内学習によるエンドツーエンドTSCの基礎モデルである。 TimEEは、UCRベンチマークで最先端のパフォーマンスに到達した最初の純粋に合成事前訓練されたモデルである。
  論文  参考訳（メタデータ） (2026-07-08T14:58:06Z)
• A Foundation Model for Instruction-Conditioned In-Context Time Series Tasks [0.7677431882779153]
  In-context Learning (ICL) では、モデルをパラメータを更新するのではなく、例に条件付けすることで推論時に適応させることができる。 本稿では,量子レグレッションT5エンコーダを用いた命令条件付き時系列タスクの基礎モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-23T21:24:41Z)
• Rethinking Zero-Shot Time Series Classification: From Task-specific Classifiers to In-Context Inference [34.15455500037426]
  我々は、ラベル付きトレーニングセットをコンテキストとして扱い、単一のフォワードパスで全てのテストインスタンスのラベルを予測する、コンテキスト内学習フレームワークTIC-FMを提案する。 TIC-FMは、時系列エンコーダとスプリットメイク潜在メモリ変換器を備えた軽量プロジェクションアダプタをペアリングする。 128のUCRデータセットに対する実験は、極低ラベルの状況で一貫した利得で、強い精度を示す。
  論文  参考訳（メタデータ） (2026-01-31T09:17:45Z)
• 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)
• Interpreting Class Conditional GANs with Channel Awareness [57.01413866290279]
  クラス条件生成器が複数のクラスの合成をどのように統合するかを検討する。 このような現象を説明するために、単一チャネルが最終合成にどのように貢献するかを定量的に特徴づけるチャネル認識を提案する。 我々のアルゴリズムは条件付きGANでいくつかの新しい応用を可能にする。
  論文  参考訳（メタデータ） (2022-03-21T17:53:22Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)

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。