Fugu-MT 論文翻訳(概要): Seeing Time: Visual-Temporal Representation Learning for Interpretable Time Series Clustering

論文の概要: Seeing Time: Visual-Temporal Representation Learning for Interpretable Time Series Clustering

arxiv url: http://arxiv.org/abs/2609.36873v1
Date: Tue, 29 Sep 2026 07:09:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.258175
Title: Seeing Time: Visual-Temporal Representation Learning for Interpretable Time Series Clustering
Title（参考訳）: 時間を見る: 解釈可能な時系列クラスタリングのための視覚的時間表現学習
Abstract要約: WAVE(Waveform Aligned Visual-temporal Embedding)は、時系列とその決定論的に描画された波形プロットを、同じ観測を補完する視点として扱う。クラスター構造を観測可能な波形特性にトレース可能な識別表現を生成するため、WAVEは微粒な時間変動を全体的視覚パターンと整合させ統合する。 WAVEは,比較手法の中で,マクロ平均クラスタリング性能が最も高く,平均ランクが最高である。
参考スコア（独自算出の注目度）: 32.85683769019824
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multivariate Time Series (MTS) clustering is an important tool in temporal data mining, aiming to discover latent group structures from complex observations without supervision. Although existing deep clustering methods can learn discriminative temporal representations, the resulting latent clusters are often difficult to relate back to waveform characteristics that practitioners can directly inspect and compare, limiting their ability to assess whether the discovered patterns reflect meaningful temporal behaviors. This paper, therefore, proposes WAVE (Waveform Aligned Visual-temporal Embedding), which treats time series and their deterministically rendered waveform plots as complementary views of the same observations. To produce discriminative representations whose cluster structures can be traced to observable waveform characteristics, WAVE aligns and integrates fine-grained temporal variations with holistic visual patterns, while associating each discovered cluster with its centroid-nearest authentic sample. Accordingly, interpretability in this work specifically refers to waveform-level traceability rather than a general explanation of model decisions. Extensive evaluations across 10 real-world public datasets show that WAVE achieves the highest macro-averaged clustering performance and the best average rank among the compared methods, while qualitative case studies illustrate how the discovered clusters can be inspected through authentic waveform records. The source code is available at https://github.com/Zheng-Zhu1/WAVE.
Abstract（参考訳）: 多変量時系列クラスタリング(MTS)は時間的データマイニングにおいて重要なツールであり、監視なしで複雑な観測から潜伏群構造を発見することを目的としている。既存の深層クラスタリング手法は、識別的時間的表現を学習することができるが、結果として生じる潜在クラスタは、実践者が直接検査し比較できる波形特性に関連付けることがしばしば困難であり、発見されたパターンが意味のある時間的振る舞いを反映しているかどうかを評価する能力を制限する。そこで本稿では,時系列とその決定論的に描画された波形プロットを同一観測の相補的視点として扱うWAVE(Waveform Aligned Visual-temporal Embedding)を提案する。観測可能な波形特性に追従可能なクラスタ構造を有する識別表現を作成するために、WAVEは、検出された各クラスタを、その遠心熱真性サンプルに関連付けつつ、微細な時間変動を全体的視覚パターンと整合して統合する。したがって、本研究における解釈可能性とは、モデル決定の一般的な説明よりも、波形レベルのトレーサビリティを指す。実世界の10の公開データセットの大規模な評価は、WAVEが平均的なクラスタリング性能と比較手法の中で最高の平均ランクを達成していることを示し、定性的なケーススタディは、発見されたクラスタが真の波形記録によってどのように検査されるかを示している。ソースコードはhttps://github.com/Zheng-Zhu1/WAVEで公開されている。

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)
Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
論文参考訳（メタデータ） (2025-03-16T09:38:11Z)
TopoCL: Topological Contrastive Learning for Time Series [1.8434042562191815]
時系列のためのトポロジカルコントラスト学習(TopoCL)を提案する。 TopoCLは、永続的ホモロジーを組み込むことで、情報損失を軽減する。下流タスク分類,異常検出,予測,伝達学習の4つの実験を行った。
論文参考訳（メタデータ） (2025-02-05T06:37:35Z)
Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文参考訳（メタデータ） (2024-12-06T18:22:59Z)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文参考訳（メタデータ） (2023-02-24T13:30:35Z)
Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
論文参考訳（メタデータ） (2021-07-03T00:19:17Z)
Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
論文参考訳（メタデータ） (2021-06-01T19:53:24Z)
Data Curves Clustering Using Common Patterns Detection [0.0]
分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
論文参考訳（メタデータ） (2020-01-05T18:36:38Z)

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。