論文の概要: TEX-MEX: Similarity-Guided Temporal Contrastive Learning for Time Series

• arxiv url: http://arxiv.org/abs/2610.19557v1
• Date: Wed, 14 Oct 2026 04:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.954881
• Title: TEX-MEX: Similarity-Guided Temporal Contrastive Learning for Time Series
• Title（参考訳）: TEX-MEX:時系列における類似性指導型時間的コントラスト学習
• Abstract要約: 我々は、TEX-MEXを導入し、この2つを一つの関係にまとめる最初のアプローチを紹介します。 データセットをまたいだランダムなウィンドウのバッチが与えられた場合、TEX-MEXはエンコーダを使用して、どのウィンドウが構造的に類似しているかを識別する。 すると、それぞれのウィンドウを時間的にシフトした同じウィンドウへ引きずり出し、異なるウィンドウから押し出す。
• 参考スコア（独自算出の注目度）: 21.213559990719965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive learning for time series depends on deciding which pairs of inputs should be treated as similar and dissimilar. Because few augmentations reliably preserve meaning in time series, prior methods have relied on two disjoint notions of similarity between windows: structural similarity, which relates windows with similar morphology, and temporal similarity, which relates windows that occur close together in time. We introduce TEX-MEX, to our knowledge the first approach to unify the two into a single relationship. Given a random batch of windows drawn across the dataset, TEX-MEX uses the encoder to identify which windows are structurally similar or dissimilar to each other. It then pulls each window toward the temporally shifted versions of similar windows and pushes it away from those of dissimilar ones, learning what typically accompanies similar windows in time. Across PPG, EEG, ECG, accelerometry, and continuous glucose monitoring, TEX-MEX broadly achieves state-of-the-art performance against contrastive, reconstructive, JEPA-based, and modality-specific approaches, establishing it as a strong general SSL objective. We further train a 560K-parameter PPG foundation model that achieves state-of-the-art performance across a broad range of downstream benchmarks while being roughly 50x smaller than the next-best unimodally pretrained PPG foundation model in our evaluation. We will release this foundation model open-source and open-weight to the community to support future work and practical applications.
• Abstract（参考訳）: 時系列のコントラスト学習は、どの入力のペアを類似し、異なるものとして扱うべきかを決定することに依存する。 時間列における意味を確実に保存する拡張は少ないため、事前の手法は2つの相似性の概念に依存している: 構造的類似性(構造的類似性: 窓に類似な形態を関連付けるもの)と時間的類似性(時間的類似性: 時間的近接性)である。 我々は、TEX-MEXを導入し、この2つを一つの関係にまとめる最初のアプローチを紹介します。 データセットをまたいだランダムなウィンドウのバッチが与えられた場合、TEX-MEXはエンコーダを使用して、どのウィンドウが構造的に類似しているかを識別する。 すると、それぞれのウィンドウを時間的にシフトした同じウィンドウへ引きずり出し、異なるウィンドウから押し出す。 PPG、EEG、ECG、加速度計、連続グルコースモニタリングの他、TEX-MEXはコントラスト、再構成、JEPAベース、モダリティ固有のアプローチに対して、最先端のパフォーマンスを広く達成し、強力な汎用SSL目標として確立している。 さらに560KパラメータPSG基礎モデルをトレーニングし、幅広い下流ベンチマークで最先端性能を達成し、また、評価において1次1次事前訓練PSG基礎モデルよりも約50倍小さくする。 我々は、この財団モデルをオープンソースにして、コミュニティに公開し、将来の仕事と実践的なアプリケーションをサポートするつもりです。

関連論文リスト

• Branch-Centric Tokenization and Test-Time Augmentation for Skeleton Generation [4.947134980425439]
  シーケンス内の接続を直接エンコードするブランチ対応表現であるブランチ中心のトークン化を導入する。 また、入力メッシュに軸方向の回転を適用するテスト時間拡張手法であるビュー拡張生成を導入する。 実験により,本手法は最先端手法よりも骨格予測精度がよいことが示された。
  論文  参考訳（メタデータ） (2026-09-05T18:28:35Z)
• TimeOmni-VL: Unified Models for Time Series Understanding and Generation [66.55423802406078]
  Time Omni-VLは、時系列の理解と生成を統合するビジョン中心のフレームワークである。 Time Omni-VLは、高忠実度生成のための明示的な制御信号として時系列理解を利用する最初の方法である。 実験により、この統一されたアプローチは意味的理解と数値的精度の両方を著しく改善することを確認した。
  論文  参考訳（メタデータ） (2026-02-19T07:50:11Z)
• Multi-Pair Temporal Sentence Grounding via Multi-Thread Knowledge Transfer Network [57.72095897427665]
  時間文グラウンドディング(TSG)は、ビデオ中のクエリ関連セグメントを見つけることを目的としている。 従来のメソッドは、異なるペアを一緒にトレーニングできないシングルスレッドフレームワークに従っていた。 我々はこれらのペアを協調訓練することを目的としたMulti-Pair TSGを提案する。
  論文  参考訳（メタデータ） (2024-12-20T08:50:11Z)
• WindowMixer: Intra-Window and Inter-Window Modeling for Time Series Forecasting [15.578933029560309]
  時系列予測は、経済予測、天気予報、交通流分析、公衆衛生監視といった分野において重要である。 従来の手法はポイントツーポイントの関係をモデル化し、複雑な時間パターンをキャプチャする能力を制限する。 全MLPフレームワーク上に構築された WindowMixer モデルを紹介する。
  論文  参考訳（メタデータ） (2024-06-14T08:09:39Z)
• Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
  マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。 従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。 Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
  論文  参考訳（メタデータ） (2024-03-11T06:56:08Z)
• 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)
• M-FUSE: Multi-frame Fusion for Scene Flow Estimation [0.0]
  先行するステレオペアの追加を考慮した,新しいマルチフレームアプローチを提案する。 KITTIベンチマークの実験では、改良されたベースラインと時間融合アプローチの利点が互いに補完していることが示されている。 RAFT-3D法を16%以上上回り,本手法は第2位,第1位にランクインした。
  論文  参考訳（メタデータ） (2022-07-12T17:26:55Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)

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。