論文の概要: A Time-Aware Bag-of-Receptive-Fields for Interpretable Irregular Time Series Classification

• arxiv url: http://arxiv.org/abs/2609.39268v1
• Date: Wed, 30 Sep 2026 08:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.436174
• Title: A Time-Aware Bag-of-Receptive-Fields for Interpretable Irregular Time Series Classification
• Title（参考訳）: 解釈不能な時系列分類のための時間認識型受容場
• Abstract要約: Bag-Of-Receptive-Fields (BORF) は、時系列の高速、決定論的、解釈可能な変換である。 我々の重要な貢献は、各観測が関連する時間デルタに比例して重み付けされる時間重み付き正規化スキームである。 これは、時間重み付き標準偏差に対する効率的なスライディングウインドウの繰り返しを導出する必要がある。
• 参考スコア（独自算出の注目度）: 0.20305676256390937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular time series, characterized by non-uniform sampling intervals, missing observations, and variable lengths, are ubiquitous in healthcare, mobility, and environmental monitoring, yet effective and interpretable classifiers for this setting are limited. Existing approaches often rely on imputation, which can obscure the temporal structure of the data, or require complex neural architectures that are opaque and difficult to explain. In this work, we extend the Bag-Of-Receptive-Fields (BORF), a fast, deterministic, and interpretable transform for time series, to the irregular setting. Our key contribution is a time-weighted normalization scheme in which each observation is weighted proportionally to its associated time delta, making pattern extraction sensitive to the actual temporal distribution of samples rather than only their index position. This requires deriving an efficient sliding-window recurrence for the time-weighted standard deviation, preserving the linear time complexity of BORF. We benchmark the resulting method against state-of-the-art irregular time series classifiers on datasets from the PYRREGULAR repository, demonstrating competitive classification performance with the added benefit of human-interpretable explanations.
• Abstract（参考訳）: 不規則な時系列は、不均一なサンプリング間隔、観察の欠如、および可変長によって特徴づけられ、医療、移動、環境モニタリングにおいてユビキタスであるが、この設定のための効果的かつ解釈可能な分類器は限られている。 既存のアプローチはしばしば、データの時間構造を曖昧にしたり、不透明で説明が難しい複雑なニューラルアーキテクチャを必要とする、計算に頼っている。 本研究では,時間列に対する高速かつ決定論的かつ解釈可能な変換であるBag-Of-Receptive-Fields (BORF) を不規則な設定に拡張する。 我々の重要な貢献は、各観測が関連する時間デルタに比例して重み付けされる時間重正規化方式であり、パターン抽出は、インデックス位置だけでなく、サンプルの実際の時間分布に敏感である。 これは、BORFの線形時間複雑性を保ちながら、時間重み付き標準偏差に対する効率的なスライディングウインドウの繰り返しを導出する必要がある。 我々は,PYRREGularレポジトリから得られたデータセットに対して,最先端の不規則時系列分類器をベンチマークし,人間の解釈可能な説明を付加することで,競合的な分類性能を示す。

関連論文リスト

• Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
  本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。 エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-30T16:09:10Z)
• 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)
• TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification [10.148392358711787]
  時系列分類のための新しい説明可能性駆動型ディープラーニングフレームワークTimeSliverを提案する。 TimeSliverは、各時間セグメントの最終的な予測への貢献を符号化し、各時点に意味のある重要なスコアを割り当てることができます。 TimeSliverは26のUEAベンチマークデータセットで、最先端のベースラインの2%以内の予測パフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-29T05:42:58Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• 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)
• 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)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• 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)

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。