論文の概要: Diagnosing Temporal Misalignment in Multichannel Time-Series Classification with Minimum Description Length

• arxiv url: http://arxiv.org/abs/2609.14595v1
• Date: Sun, 13 Sep 2026 15:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.862263
• Title: Diagnosing Temporal Misalignment in Multichannel Time-Series Classification with Minimum Description Length
• Title（参考訳）: 最小記述長を用いたマルチチャンネル時系列分類における時間的ずれの診断
• Abstract要約: 同期問題は、分類性能が最適以下である間も検出されないことがある。 本手法は,センサ群に対して時間的候補シフトを適用し,残りのチャネルの表現を通して,1つのグループをいかに効率的にエンコードできるかを計測する。 そこで本手法は,時系列学習パイプライン全体の時間的ずれの検出,理解,修正を行う汎用ツールを提供する。
• 参考スコア（独自算出の注目度）: 2.664567992874808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multichannel time-series classification commonly assumes synchronized sensor streams, although latency, clock drift, and preprocessing can introduce relative delays during data collection or after deployment. Existing synchronization solutions are often hardware-specific and difficult to apply retrospectively. Consequently, synchronization problems may remain undetected while classification performance is suboptimal. We introduce a classifier- and label-free diagnostic based on minimum description length (MDL). Our method applies candidate temporal shifts to sensor groups and measures how efficiently one group can be encoded through a representation of the remaining channels. An increased codelength indicates that the shift destroys shared temporal structure, whereas the minimum identifies the alignment most strongly supported by the data. Unlike learned synchronization methods, the diagnostic requires neither retraining nor a trusted aligned reference and can therefore test both training and deployment data for misalignments. Experiments on two controlled synthetic tasks and nine real-world datasets show that the metric exposes alignment structure and can recover accuracy under induced deployment drift. A whole-dataset audit further identifies stable nonzero MDL optima in established benchmarks including FordChallenge, Opportunity, PAMAP2, and UCIActivity, revealing potential systematic offsets that conventional model evaluation does not expose. Our method thus provides a general-purpose tool for detecting, understanding, and correcting temporal misalignment throughout the time-series learning pipeline. Our code is available under https://github.com/sbuschjaeger/mdl-temporal-misalignment.
• Abstract（参考訳）: マルチチャネルの時系列分類では、一般的に同期されたセンサストリームを前提としているが、レイテンシ、クロックドリフト、プリプロセッシングは、データ収集やデプロイ後の相対的な遅延をもたらす可能性がある。 既存の同期ソリューションはしばしばハードウェア固有のものであり、振り返りで適用することは困難である。 その結果、同期問題は未検出のままであり、分類性能は最適以下である。 最小記述長(MDL)に基づく分類器およびラベルフリー診断を導入する。 本手法は,センサ群に対して時間的候補シフトを適用し,残りのチャネルの表現を通して,1つのグループをいかに効率的にエンコードできるかを計測する。 符号長の増大は、シフトが共有時間構造を破壊することを示しているが、最小限のデータによって最も強く支持されるアライメントを識別する。 学習した同期方法とは異なり、診断は再トレーニングも信頼された参照も必要とせず、従ってトレーニングデータとデプロイメントデータの両方を不正にテストすることができる。 2つの制御された合成タスクと9つの実世界のデータセットの実験により、メトリックがアライメント構造を露出し、誘導された展開ドリフトの下で精度を回復できることが示されている。 FordChallenge、Opportunity、PAMAP2、UCIActivityなどの既存のベンチマークでは、データベース全体の監査により、安定した非ゼロのMDL最適化が特定される。 そこで本手法は,時系列学習パイプライン全体の時間的ずれの検出,理解,修正を行う汎用ツールを提供する。 私たちのコードはhttps://github.com/sbuschjaeger/mdl-temporal-misalignment.comで利用可能です。

関連論文リスト

• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• SEED: Semi-supervised Continual MalwarE Detection for Tackling ConcEpt Drift on a BuDget [12.656727953831508]
  機械学習ベースのマルウェア検知器は、良性およびマルウェアアプリケーションにおける概念の漂流により、時間が経つにつれて時代遅れになっている。 近年の手法は、完全ラベル付きデータに依存し、階層的コントラスト損失(HCL)とアクティブラーニングを用いてドリフトに対するロバスト性を改善する。 限定的な監視下でのマルウェア検出のための意味構造に依存しないSEEDを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:04:01Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• Silent Inconsistency in Data-Parallel Full Fine-Tuning: Diagnosing Worker-Level Optimization Misalignment [27.352639822596146]
  クロスワーカーの損失と勾配のばらつきは、従来の監視信号では見えない。 本稿では,標準パイプラインで容易に利用できるトレーニング信号を用いて,作業者レベルの一貫性を定量化する,モデルに依存しない診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T04:42:30Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• Time-series based quantum state discrimination [13.233598587467705]
  読み出しの忠実度は通常、信号対雑音比の低さとエネルギー緩和によって制限される。 生の非積分アナログ信号に機械学習(ML)を適用することを提案する。 LSTMモデルとフィルタリングと機能エンジニアリングを組み合わせることで、クラスタリングを一貫して上回っていることが分かりました。
  論文  参考訳（メタデータ） (2026-01-27T00:34:10Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)

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。