論文の概要: TopTimeNet: Topologically-assisted time-series classification model

• arxiv url: http://arxiv.org/abs/2609.39792v1
• Date: Wed, 30 Sep 2026 14:11:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.875941
• Title: TopTimeNet: Topologically-assisted time-series classification model
• Title（参考訳）: TopTimeNet: トポロジカルに支援された時系列分類モデル
• Abstract要約: TopTimeNetは、時系列のカオス力学から周期を識別する軽量な学習可能なステージである。 畳み込みニューラルネットワークに匹敵する平均精度を提供し、収束したTransformerモデルの平均性能を上回る。 事前計算された特徴の摂動に対するロバスト性は、完全な生信号対予測パイプラインのロバスト性を意味するものではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Distinguishing periodic from chaotic dynamics in a time series is a fundamental challenge in both physics and engineering. Yet, end-to-end learned architectures must discover both a representation and a decision boundary from data, at substantial cost. We introduce TopTimeNet, which decouples these tasks: a fixed, non-learned stage extracts a $42$-dimensional geometric and topological descriptor from Takens delay embeddings and persistent homology, and a lightweight learnable stage performs classification. On a benchmark of $49$ nonlinear dynamical systems, a $1{,}638$-parameter configuration matches the mean accuracy of one with $33\times$ more trainable parameters. Additionally, this approach delivers mean accuracy comparable to convolutional neural networks and surpasses the average performance of converged Transformer models, while requiring three to four orders of magnitude fewer trainable parameters. Robustness also depends sharply on where noise is introduced: TopTimeNet degrades gracefully under perturbations to its precomputed features, but degrades sharply when noise is introduced into the raw signal and the full feature-extraction pipeline is recomputed, showing that robustness to perturbations of the precomputed features does not imply robustness of the complete raw-signal-to-prediction pipeline. These results show that decoupling fixed geometric and topological feature construction from a lightweight discriminative stage can achieve comparable classification accuracy with substantially fewer trainable parameters.
• Abstract（参考訳）: 時系列におけるカオス力学からの周期的排除は、物理学と工学の両方において根本的な課題である。 しかし、エンドツーエンドの学習アーキテクチャでは、データから表現と決定境界の両方を相当なコストで見つけなければなりません。 固定された非学習段階は、Takensの遅延埋め込みと持続的ホモロジーから42ドルの幾何学的および位相的記述子を抽出し、軽量の学習可能な段階が分類を行う。 非線形力学系のベンチマークで、$1{,}638$-parameterの設定は、平均精度が33\times$よりトレーニング可能なパラメータと一致する。 さらに、このアプローチは畳み込みニューラルネットワークに匹敵する平均精度を提供し、収束したTransformerモデルの平均性能を上回り、トレーニング可能なパラメータを3～4桁少なくする。 TopTimeNetは、事前計算された特徴の摂動の下で優雅に分解するが、生信号にノイズが導入され、完全な特徴抽出パイプラインが再計算されると、急激に劣化し、事前計算された特徴の摂動に対する堅牢性は、完全な生信号対予測パイプラインの堅牢性を意味するものではないことを示す。 これらの結果から,固定幾何的特徴構造と位相的特徴構造を軽量な識別段階から切り離すことで,トレーニング可能なパラメータを著しく少なくして,同等の分類精度を達成できることが示唆された。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts [0.0]
  我々は、所定の変位履歴から全力進化を予測するために、ステートフルでシークエンス・ツー・シークエンス深層学習モデルを訓練する。 モデルは、未知のパラメータの組み合わせと分析的制限ケースに対してテストされる。 制御指向アプリケーションで潜在的に使用可能な数値評価を繰り返すために、高速なサロゲートを提供する。
  論文  参考訳（メタデータ） (2026-07-21T12:48:48Z)
• Stabilizing Streaming Video Geometry via Dynamic Feature Normalization [45.91399406203578]
  Dynamic Feature Normalization (DyFN) は、時間とともに安定な幾何を維持するために特徴統計を変調する因果リカレントモジュールである。 DyFNは最先端の時間安定性を実現し、従来のストリーミング手法よりも最大14%改善し、さらにはより重い非因果的ビデオベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-25T00:13:15Z)
• Normalized Architectures are Natively 4-Bit [49.13186675123547]
  重みと隠れ表現を単位超球面に制限するアーキテクチャであるnGPTは、本質的に低精度算術よりも堅牢である。 本手法は,最大3B/30Bパラメータの1.2B密度モデルとハイブリッド(Mamba-Transformer)MoEモデルの両方で検証する。
  論文  参考訳（メタデータ） (2026-05-07T11:54:07Z)
• Towards Scalable One-Step Generative Modeling for Autoregressive Dynamical System Forecasting [1.8396059589388676]
  MeLISA(MeanFlow Long-Term In Spatiotemporal Consistency Autoregressive Models) MeLISAは、ピクセル空間のMeanFlow上に構築された、潜伏のない自己回帰生成サロゲートである。 2つの高解像度ベンチマークで,コンパクトなUNetとスケーラブルなDiTflowを用いてMeLISAを評価した。
  論文  参考訳（メタデータ） (2026-05-07T00:41:47Z)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• Adaptive Nonlinear Vector Autoregression: Robust Forecasting for Noisy Chaotic Time Series [0.0]
  ベクトル自己回帰と貯水池計算は カオス力学系の予測において 有望であることを示している 遅延埋め込み線形入力と浅い学習可能な多層パーセプトロンによって生成される特徴を組み合わせた適応的Nモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-11T16:40:10Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)

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。