論文の概要: MASCIT: A Mask-Aware State Space Classifier for Naturally Irregular Time Series

• arxiv url: http://arxiv.org/abs/2609.34409v2
• Date: Fri, 02 Oct 2026 11:58:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.927795
• Title: MASCIT: A Mask-Aware State Space Classifier for Naturally Irregular Time Series
• Title（参考訳）: MASCIT: 自然に不規則な時系列のためのマスク対応状態空間分類器
• Abstract要約: 不規則時系列(MASCIT)のためのマスク対応状態空間分類器 34個の不規則な時系列データセットのうち、MASCITは最強の集合点推定値を得た。 結果は、自然に不規則な時系列分類のための有効かつ実行可能なバックボーンとして、選択状態空間モデルをサポートする。
• 参考スコア（独自算出の注目度）: 0.4069144210024563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Naturally irregular time series combine asynchronous observations, missing values, unequal lengths, and nonuniform sampling, while dense adapters can discard temporal structure. We propose a mask-aware state space classifier for irregular time series (MASCIT), which supplies observation masks to the encoder and excludes invalid steps from gated temporal aggregation. Across 34 irregular time series datasets, MASCIT yielded the strongest aggregate point estimate and was the only evaluated neural model with three-seed results on every dataset. MASCIT retained the lowest point rank across six overlapping irregularity indicators, while factorial ablations favored partial over full selectivity. These results support selective state space models as effective, executable backbones for naturally irregular time series classification.
• Abstract（参考訳）: 自然に不規則な時系列は、非同期観測、欠落値、不均一な長さ、不均一なサンプリングを組み合わせる。 本研究では,不規則時系列(MASCIT)のためのマスク対応状態空間分類器を提案する。 34個の不規則時系列データセットに対して,MASCITは最強集約点推定値を得た。 MASCITは6つの重なり合う不規則な指標で最下位の順位を維持したが、因子的アブレーションは完全選択性よりも部分的選択を好んだ。 これらの結果は、自然に不規則な時系列分類のための有効かつ実行可能なバックボーンとして、選択状態空間モデルをサポートする。

関連論文リスト

• 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)
• EMIT- Event-Based Masked Auto Encoding for Irregular Time Series [9.903108445512576]
  データポイントが不均一な間隔で記録される不規則な時系列は、医療設定で一般的である。 この変動は、患者の健康の重大な変動を反映し、情報的臨床的意思決定に不可欠である。 不規則時系列に関する既存の自己教師型学習研究は、しばしば予測のような一般的な前提課題に依存している。 本稿では,不規則な時系列に対するイベントベースのマスキングである,新しい事前学習フレームワーク EMIT を提案する。
  論文  参考訳（メタデータ） (2024-09-25T02:05:32Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• From Time Series to Euclidean Spaces: On Spatial Transformations for Temporal Clustering [5.220940151628734]
  従来のクラスタリング手法,時系列特異性,あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元性が存在する場合によく一般化しないことを示す。 本稿では,入力時系列を距離ベース投影表現に変換する時間クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-02T09:08:16Z)
• 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)

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。