論文の概要: SMart: A Multi-source Multi-phase Time Series Representation Transfer Framework
- arxiv url: http://arxiv.org/abs/2609.02203v1
- Date: Wed, 02 Sep 2026 07:12:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.129103
- Title: SMart: A Multi-source Multi-phase Time Series Representation Transfer Framework
- Title（参考訳）: SMart: マルチソースマルチフェーズ時系列表現転送フレームワーク
- Abstract要約: 我々は、マルチソースマルチフェーズ時系列表現転送(SMart)という新しいTSRLフレームワークを提案する。
実験の結果、SMartは時系列表現学習、分類、回帰の最先端モデルよりも優れていた。
- 参考スコア（独自算出の注目度）: 8.331063987724717
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series representation learning (TSRL) has attracted growing research interests in recent years. Two recent explorations in TSRL are: i) exploiting a transformer-based framework to learn time series; ii) instead of using only the targeted dataset, borrowing time series from other datasets to to facilitate representation transfer. While these two explorations are shown effective, the self-supervised time series recovery task in (i) and the single-source dataset used in (ii) are technically simple and thus can be enhanced with new ideas. In this work, we propose a new TSRL framework, namely multi-source multi-phase time series representation transfer (SMart), which has two novel mechanisms to address the aforementioned deficiencies: 1) a multi-phase recurrence plots recovery task, in three alternative modes, for guiding the encoder to embed time series dynamics into the time series representation; and 2) a source dataset selector to select multiple suitable source datasets to supplement the original target dataset for pre-training the TSRL encoder. Experimental results show that SMart outperforms several state-of-the-art models for time series representation learning, classification and regression on both uni-variate and multi-variate time series datasets, reducing mean absolute error up to 19.5% for time series regression, and increasing average accuracy up to 1.34\% for time series classification.
- Abstract（参考訳）: 近年,時系列表現学習 (TSRL) が研究の関心を集めている。
TSRLにおける最近の2つの調査は以下のとおりである。
一 時系列を学習するためにトランスフォーマーに基づく枠組みを利用すること。
二 ターゲットデータセットのみを使用する代わりに、他のデータセットから時系列を借りて表現転送を容易にすること。
これら2つの探索は有効であるが、自己監督型時系列復元作業は有効である。
i)と使用する単一ソースデータセット
(ii)は技術的に単純であり、新しいアイデアで拡張することができる。
本稿では, 上記の欠陥に対処する2つの新しいメカニズムを持つ, マルチソースマルチフェーズ時系列表現転送(SMart)という新しいTSRLフレームワークを提案する。
1) エンコーダに時系列表現に時系列のダイナミクスを埋め込むよう誘導する多段階反復処理は、3つの代替モードでリカバリタスクをプロットする。
2)TSRLエンコーダを事前トレーニングするために、ソースデータセットセレクタを使用して、元のターゲットデータセットを補完する複数の適切なソースデータセットを選択する。
実験の結果、SMartは、一変量と多変量の両方の時系列データセットに対して、時系列表現学習、分類および回帰のための最先端モデルよりも優れており、平均絶対誤差は、時系列回帰の19.5%まで減少し、平均精度は、時系列分類の1.34\%まで上昇している。
関連論文リスト
- 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) - Adapt-$\infty$: Scalable Continual Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
Adapt-$infty$は、生涯のインストラクションチューニングのための、新しいマルチウェイおよびアダプティブなデータ選択アプローチである。
勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。
セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
このデータセレクタは、トレーニングのために各スキルクラスタから最も重要なサンプルのサブセットをサンプリングする。
論文 参考訳（メタデータ） (2024-10-14T15:48:09Z) - TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification [13.110156202816112]
シフト等分散のような特性を持つパターンを捉えるための新しい多視点手法を提案する。
提案手法は, スペクトル, 時間, 局所, グローバルな特徴を含む多様な特徴を統合して, TSCのリッチで相補的な文脈を得る。
提案手法では,TSCモデルよりも平均精度が4.01-6.45%,7.93%向上した。
論文 参考訳（メタデータ） (2024-06-06T18:05:10Z) - TimeMAE: Self-Supervised Representations of Time Series with Decoupled
Masked Autoencoders [55.00904795497786]
トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。
TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。
新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
論文 参考訳（メタデータ） (2023-03-01T08:33:16Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳（メタデータ） (2023-02-20T07:46:14Z) - Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
本稿では,Ti-MAEという新しいフレームワークを提案する。
Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。
いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
論文 参考訳（メタデータ） (2023-01-21T03:20:23Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:05:51Z) - MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for
Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry [0.0]
本研究は、特定の資産に基づく歴史的データ(ソース・ドメイン)を1つの参照資産(ターゲット・ドメイン)に対応するデータに変換することに焦点を当てる。
本稿では,CycleGAN に基づく多変量時系列データのアルゴリズム MTS-CycleGAN を提案する。
我々の貢献は、Long Short-Term Memory(LSTM)ベースのジェネレータと積み重ねLSTMベースの識別器のためのAutoEncoder(AE)のCycleGANアーキテクチャの統合である。
論文 参考訳（メタデータ） (2020-07-15T07:33:25Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳（メタデータ） (2020-05-01T07:46:29Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳（メタデータ） (2020-01-02T18:48:29Z)
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。