論文の概要: Rondo: Unsupervised Discovery of Recurring Temporal Structure

• arxiv url: http://arxiv.org/abs/2609.32500v1
• Date: Sat, 26 Sep 2026 11:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:30:40.706394
• Title: Rondo: Unsupervised Discovery of Recurring Temporal Structure
• Title（参考訳）: Rondo: 再帰する時間構造を教師なしで発見する
• Abstract要約: Rondoは、連続時間ストリームにおける繰り返し階層構造をモデル化するための教師なしのアプローチである。 ロンドは複雑な時間パターンで共有される構造を捉え、ストリームが進化するにつれてその発見を精錬し拡張する。 これらの機能は、繰り返しパターンの発見、スケーラブルな振る舞い理解、長くラベルのない時間的ストリームで動作する適応的なインテリジェントシステムのための、より強力な基盤を提供する。
• 参考スコア（独自算出の注目度）: 2.5258105050539514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world time series data exhibit structural properties at multiple scales, from short, recurring units to complex sequences composed of these units. Unsupervised discovery of both these components and structure enables the design of intelligent systems that help interpret temporal data, thereby limiting the amount of costly human annotations required. Existing modeling approaches typically overlook the hierarchical structure inherent to many time series, treating recurring patterns at different temporal scales as independent structures. Moreover, most assume access to the complete data sequence and treat discovery as a static process, limiting their ability to evolve as new observations arrive. We introduce Rondo, an unsupervised approach for modeling recurring hierarchical structure in continuous temporal streams. By explicitly constructing vocabularies of reusable units and their recurring compositions, Rondo captures structure shared across complex temporal patterns while refining and expanding its discoveries as the stream evolves. Evaluations on temporal sequences spanning diverse domains and data modalities show that Rondo outperforms existing unsupervised recurrence-discovery baselines, with particularly pronounced advantages in limited-data and continual-stream settings. These capabilities provide a stronger foundation for recurring-pattern discovery, scalable behavior understanding, and adaptive intelligent systems operating on long, unlabeled temporal streams.
• Abstract（参考訳）: 多くの実世界の時系列データは、短い繰り返し単位からこれらの単位からなる複雑なシーケンスに至るまで、複数のスケールで構造特性を示す。 これらのコンポーネントと構造の両方の教師なしの発見により、時間的データの解釈を助けるインテリジェントなシステムの設計が可能になり、必要な人的アノテーションの量を制限することができる。 既存のモデリングアプローチは通常、多くの時系列に固有の階層構造を見落とし、異なる時間スケールで繰り返しパターンを独立した構造として扱う。 さらに、ほとんどの場合、完全なデータシーケンスへのアクセスを前提として、発見を静的なプロセスとして扱い、新しい観測が到着するにつれて進化する能力を制限する。 我々は連続時間ストリームにおける繰り返し階層構造をモデル化するための教師なしアプローチであるRondoを紹介する。 再利用可能な単位とその繰り返し構成の語彙を明示的に構築することにより、Rondoは複雑な時間パターンで共有される構造を捉えながら、ストリームが進化するにつれてその発見を洗練・拡張する。 多様な領域とデータモダリティにまたがる時間的シーケンスの評価は、Rondoが既存の教師なし反復発見ベースラインよりも優れており、特にデータや連続ストリームの設定において顕著な利点があることを示している。 これらの機能は、繰り返しパターンの発見、スケーラブルな振る舞い理解、長くラベルのない時間的ストリームで動作する適応的なインテリジェントシステムのための、より強力な基盤を提供する。

関連論文リスト

• ChronoFlow: Hierarchical Flow Matching for Irregular Time Series Generation [57.19197425091645]
  ChronoFlowは統計的な粒度によって構成された階層型フローマッチングフレームワークである。 観測回数と特徴周波数を生成し、観測時間と特徴共観測パターンを共同生成し、最終的に実現されたパターンに条件付き値を生成する。 これは、既存のベースラインよりも生成の忠実度が大幅に向上する一方、因子化研究は提案された階層をサポートする。
  論文  参考訳（メタデータ） (2026-09-27T06:31:13Z)
• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• Neural Structure Learning with Stochastic Differential Equations [9.076396370870423]
  本稿では,ニューラルディファレンシャル方程式と変分推論を組み合わせた新しい構造学習手法SCOTCHを提案する。 この連続的なアプローチは、任意の時点における観測からの学習と予測の両方を自然に処理することができる。
  論文  参考訳（メタデータ） (2023-11-06T17:58:47Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。