論文の概要: READ-Bench: Benchmarking Historical Instance Retrieval for Time-Series Diagnosis

• arxiv url: http://arxiv.org/abs/2609.32123v1
• Date: Sat, 26 Sep 2026 00:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:05:03.573153
• Title: READ-Bench: Benchmarking Historical Instance Retrieval for Time-Series Diagnosis
• Title（参考訳）: READ-Bench: 時系列診断のための履歴インスタンス検索のベンチマーク
• Abstract要約: 12の診断データセットにわたる履歴ケース検索のベンチマークであるREAD-Benchを紹介する。 我々は,古典的,象徴的なレトリバー,自己監督型,基礎モデル埋め込み器およびそれらの融合を評価した。 我々は,通常の残像埋め込み器を相反するランクの融合によって動的に時間ゆがみのある脚で融合し,その後,ガウス過程のリランカで再帰する。
• 参考スコア（独自算出の注目度）: 5.8680789975287775
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time-series diagnostic systems rarely rely on retrieving relevant historical cases, and when they do, retrieval is evaluated only indirectly through downstream prediction. We introduce READ-Bench, a benchmark for historical-case retrieval across 12 diagnostic datasets, centered on multivariate time series, that defines relevance by shared fault or event type rather than signal shape, so visually different traces of the same fault count as relevant while similar-looking traces of different faults do not. Treating retrieval as a base retriever followed by a reranker, we evaluate classical distances, symbolic retrievers, self-supervised and foundation-model embedders, and their fusion, plus label-aware and language-model rerankers, under one protocol that varies supervision, pollution, and corpus scale with significance testing. Under a common channel-independent interface, pretrained representations offer no statistically detectable advantage over strong classical and symbolic baselines for search alone. The decisive factor is a small amount of resolved-case supervision at reranking, namely a Gaussian-process reranker that propagates a few neighbor labels in embedding space, which helps far more than more sophisticated representations or language-model reasoning and holds under pollution and at full corpus scale. Guided by these findings, we fuse a normal-residual-scored embedder with a dynamic time warping leg via reciprocal-rank fusion, then rerank with the Gaussian-process reranker, improving NDCG@10 over its own search stage on all 12 datasets, by +0.11 from reranking and +0.16 over the strongest single base retriever.
• Abstract（参考訳）: 時系列診断システムは,関連事例の検索に頼ることが滅多になく,検索は下流予測を通じて間接的にのみ評価される。 我々は,12の診断データセットを対象とした履歴ケース検索のベンチマークREAD-Benchを紹介した。これは多変量時系列を中心に,信号形状よりも共有障害やイベントタイプによる関連性を定義するものである。 検索をベースレトリビュータとして扱うことで,古典的距離,シンボルレトリビュータ,自己監督型および基礎モデル埋め込み器,およびそれらの融合,ラベル認識型および言語モデル再ランカを,管理,汚染,コーパススケールの異なる1つのプロトコルの下で評価する。 共通のチャネルに依存しないインタフェースの下では、事前訓練された表現は、検索のみのための強い古典的および象徴的なベースラインよりも統計的に検出可能な優位性を提供しない。 決定的な要因は、少数のガウス過程のリランカを埋め込んだ空間に伝播させ、より洗練された表現や言語モデル推論を補助し、汚染と全コーパススケールで保持する。 これらの知見に導かれて,我々は,通常の残像埋め込み機を,逆数核融合(reciprocal-rank fusion)により動的時間ゆらぎ脚で融合させ,その後ガウス過程のリランカ(reranker)でリランクし,NDCG@10を全12データセットで,+0.11 で,+0.16 で最強の単一ベースレトリバー(rerectr)で,自身の検索ステージで改善した。

関連論文リスト

• 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)
• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• TRACE: Scalable Amortized Causal Discovery from Single Sequences via Autoregressive Density Estimation [14.409508347156397]
  プロセスが生成する離散事象の1つの観測シーケンスから因果発見について検討した。 本稿では,自己回帰モデルを条件付き相互情報推定のための事前学習密度推定器として再利用するスケーラブルなフレームワークTRACEを紹介する。
  論文  参考訳（メタデータ） (2026-02-01T10:18:27Z)
• Learning More from Less: Unlocking Internal Representations for Benchmark Compression [37.69575776639016]
  異種隠蔽状態を統一潜在空間に整列させて代表コアセットを構成するREPCOREを導入する。 5つのベンチマークと200以上のモデルの実験は、ランキングの相関と推定精度において、出力ベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-01-31T13:11:39Z)
• OrionBench: Benchmarking Time Series Generative Models in the Service of the End-User [8.05635934199494]
  OrionBenchは、教師なし時系列異常検出モデルのための継続的ベンチマークフレームワークである。 OrionBenchの使用方法と,4年間で公開された17リリースにわたるパイプラインのパフォーマンスについて紹介する。
  論文  参考訳（メタデータ） (2023-10-26T19:43:16Z)
• Improving Out-of-Distribution Generalization of Neural Rerankers with Contextualized Late Interaction [52.63663547523033]
  マルチベクトルの最も単純な形式である後期相互作用は、[]ベクトルのみを使用して類似度スコアを計算する神経リランカにも役立ちます。 異なるモデルサイズと多様な性質の第一段階のレトリバーに一貫性があることが示される。
  論文  参考訳（メタデータ） (2023-02-13T18:42:17Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。