論文の概要: CLUES-WEASEL: No additional clues required to choose your time series clustering algorithm

• arxiv url: http://arxiv.org/abs/2609.07606v1
• Date: Mon, 07 Sep 2026 15:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.453635
• Title: CLUES-WEASEL: No additional clues required to choose your time series clustering algorithm
• Title（参考訳）: CLUES-WEASEL: 時系列クラスタリングアルゴリズムを選択するための追加の手がかりはない
• Abstract要約: CLUES-WEASEL は UnsupervisEd Second version of Word ExtrAction for Time SEries cLassification で CLustering の略である。 本稿では,CLUES-WEASELと呼ばれる時系列クラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.4145742235679815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series data is very common in many real-world applications and in numerous domains, with increasing interest for automated information extraction using machine learning. One of these subfields is time series clustering, which consists in identifying clusters among a set of time series in an unsupervised fashion. Most time series clustering algorithms suffer from the same balancing act: they trade clustering performance for faster runtimes or vice versa. We present a novel time series clustering algorithm that we call CLUES-WEASEL, which stands for CLustering with the UnsupervisEd Second version of Word ExtrAction for time SEries cLassification. CLUES-WEASEL extracts features using the unsupervised version of the transformation step of WEASEL 2.0, which is a time series classification algorithm, then reduces these features using principal component analysis, and finally performs clustering with the $k$-means algorithm using these reduced extracted features. Through extensive experiments, we prove that CLUES-WEASEL is significantly better than any other existing time series clustering algorithm while being (much) faster than any state-of-the-art one. We also show that the architecture of CLUES-WEASEL can work well with other time series feature extraction algorithms. Our findings highlight the relevance of CLUES-WEASEL for time series clustering.
• Abstract（参考訳）: 時系列データは、多くの現実世界のアプリケーションや多くの領域で非常に一般的であり、機械学習を用いた自動情報抽出への関心が高まっている。 これらのサブフィールドの1つは時系列クラスタリングであり、教師なしの方法で時系列の集合内のクラスタを識別する。 ほとんどの時系列クラスタリングアルゴリズムは、同じバランシング行為に悩まされています。 我々は,CLUES-WEASELという,時間系列cLassificationのためのWord ExtrActionのUnsupervisEd Secondバージョンを用いたクラスタリングのための新しい時系列クラスタリングアルゴリズムを提案する。 CLUES-WEASELは時系列分類アルゴリズムであるWEASEL 2.0の変換ステップの教師なしバージョンを用いて特徴を抽出し、主成分分析を用いて特徴を減らし、最終的にこれらの削減された特徴を用いて$k$-meansアルゴリズムでクラスタリングを行う。 大規模な実験により、CLUES-WEASELは既存のどの時系列クラスタリングアルゴリズムよりもはるかに優れており、最先端のクラスタリングアルゴリズムよりも(非常に)高速であることを示す。 また,CLUES-WEASELのアーキテクチャは他の時系列特徴抽出アルゴリズムとうまく連携できることを示した。 時系列クラスタリングにおけるCLUES-WEASELの有効性について検討した。

関連論文リスト

• A system identification approach to clustering vector autoregressive time series [50.66782357329375]
  基礎となる力学に基づく時系列のクラスタ化は、複雑なシステムモデリングを支援するために研究者を惹きつけている。 現在の時系列クラスタリング手法のほとんどは、スカラー時系列のみを処理し、ホワイトノイズとして扱うか、高品質な特徴構築のためにドメイン知識に依存している。 システム識別アプローチは、機能/測定構造に頼るのではなく、基礎となる自己回帰力学を明示的に考慮することで、ベクトル時系列クラスタリングを処理できる。
  論文  参考訳（メタデータ） (2025-05-20T14:31:44Z)
• Rock the KASBA: Blazingly Fast and Accurate Time Series Clustering [0.6215404942415159]
  我々は、新しい時系列クラスタリング(TSCL)アルゴリズム、$k$-means (K)Accelerated (A) subgradient (S) Barycentre (B) Average (A)を提案する。 KASBAは、クラスタリングのすべての段階で、Move-Split-Merge (MSM) の弾性距離を使用し、ランダム化下降降下を適用してバリセント・セントロイドを見つけ、クラスタリングの各段階をリンクして収束を加速し、MSM距離の計量特性を利用して距離計算を行う、$k$-meansクラスタリングアルゴリズムである。 汎用的でスケーラブルなクラスタリングである。
  論文  参考訳（メタデータ） (2024-11-26T19:26:17Z)
• Determining the Optimal Number of Clusters for Time Series Datasets with Symbolic Pattern Forest [0.0]
  最適なクラスタ数(例えば k)を計算するという問題は、そのような方法にとって重要な課題の1つである。 本研究では,時系列データセットの最適なクラスタ数を決定するために,シンボリックパターンフォレストアルゴリズムを拡張した。 UCRアーカイブデータセットに対する我々のアプローチを検証し、これまでの実験結果はベースラインよりも大幅に改善された。
  論文  参考訳（メタデータ） (2023-10-01T23:33:37Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Fuzzy clustering of ordinal time series based on two novel distances with economic applications [0.12891210250935145]
  順序時間列間の2つの新しい距離を導入し、ファジィクラスタリング手順を構築するために使用した。 結果のクラスタリングアルゴリズムは計算効率が良く、類似のプロセスから生成されるシリーズをグループ化することができる。 経済時系列に関する2つの具体的な応用は、提案手法の有用性を示している。
  論文  参考訳（メタデータ） (2023-04-24T16:39:22Z)
• SE-shapelets: Semi-supervised Clustering of Time Series Using Representative Shapelets [4.988132948960276]
  時系列クラスタリングにおいて、局所的特徴(サブシーケンス)を用いて時系列を識別するシェープレットが有望である。 既存の時系列クラスタリング法は、非形式的サブシーケンスの大きなプールからシェープレットを発見するため、代表的なシェイプレットを捕捉できない可能性がある。 本稿では,Se-Shapelet(SE-Shapelet)法による時系列の半教師付きクラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-04-06T04:01:00Z)
• 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)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Hierarchical Clustering using Auto-encoded Compact Representation for Time-series Analysis [8.660029077292346]
  本稿では,学習した時系列のコンパクト表現,オートエンコードコンパクトシーケンス(AECS),階層クラスタリングアプローチを組み合わせたクラスタの識別機構を提案する。 Sequence to Sequence(seq2seq)オートエンコーダと集約型階層クラスタリングに基づくRecurrent Neural Network(RNN)を利用するアルゴリズムです。
  論文  参考訳（メタデータ） (2021-01-11T08:03:57Z)
• 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)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。