論文の概要: RTSM: Adapting Recursive Models to Multivariate Time-Series Classification

• arxiv url: http://arxiv.org/abs/2610.23353v1
• Date: Fri, 16 Oct 2026 11:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.909356
• Title: RTSM: Adapting Recursive Models to Multivariate Time-Series Classification
• Title（参考訳）: RTSM:多変量時系列分類に再帰モデルを適用する
• Abstract要約: 時系列分類では、時間的特徴を抽出し、シーケンス間で情報を統合する必要がある。 重み付けリファインメントは、各ステージで新しいパラメータを割り当てることなく、これらの機能を繰り返し処理する方法を提供する。 本稿では,学習した畳み込み時間トークン化器,単状態重み付け精錬,プール型分類読出を組み合わせたRTSM(Recursive Time-Series Model)を提案する。
• 参考スコア（独自算出の注目度）: 12.585747602123178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate multivariate time-series classification requires extracting temporal features and integrating information across a sequence. Weight-tied refinement offers a way to repeatedly process these features without allocating new parameters at each stage. Applying this principle to time series requires choosing both a temporal representation and a latent-state organization suited to classification. We introduce the Recursive Time-Series Model (RTSM), which combines a learned convolutional temporal tokenizer, single-state weight-tied refinement, and a pooled classification readout. Across all 30 UEA datasets, RTSM achieves 72.81% mean accuracy under validation-based configuration and checkpoint selection, the highest observed mean among the 17 evaluated deep-learning models and 1.60 percentage points above MambaSL. Ablations on eight datasets favor the proposed tokenizer over a simple convolutional embedding and the single-state model over the tested two-state variants. The complete classifier reaches 86.10% mean accuracy versus 84.79% for a separately trained tokenizer-only classifier. These findings identify temporal encoding and state organization as key design choices for adapting recursive architectures to time series. The resulting classifier combines competitive accuracy with a shared refinement module whose parameter count is independent of computational depth.
• Abstract（参考訳）: 正確な多変量時系列分類では、時間的特徴を抽出し、シーケンス間で情報を統合する必要がある。 重み付けリファインメントは、各ステージで新しいパラメータを割り当てることなく、これらの機能を繰り返し処理する方法を提供する。 この原則を時系列に適用するには、時間的表現と分類に適した潜在状態の組織の両方を選択する必要がある。 本稿では,学習した畳み込み時間トークン化器,単状態重み付け精錬,プール型分類読出を組み合わせたRTSM(Recursive Time-Series Model)を提案する。 30のUEAデータセット全体で、RTSMはバリデーションベースの設定とチェックポイントの選択で72.81%の平均精度を達成しており、評価された17のディープラーニングモデルの中で最も高い平均値であり、MambaSLより1.60ポイント高い。 8つのデータセットのアブレーションは、単純な畳み込み埋め込みとテストされた2状態変種に対する単一状態モデルよりもトークン化器を好んでいる。 完全分類器の平均精度は86.10%、別々に訓練されたトークン化器のみの分類器は84.79%に達する。 これらの結果から,時系列に再帰的アーキテクチャを適用する上で,時間的エンコーディングと状態構造が重要な設計選択であることがわかった。 結果の分類器は、競合精度と、パラメータカウントが計算深度に依存しない共有精製モジュールを結合する。

関連論文リスト

• Systematic Evaluation of Learning Rate Scheduling Strategies Across Heterogeneous Architectures [48.83701310501069]
  多様なアーキテクチャのプールにおけるスケジューラの分類精度への影響について検討する。 我々は9つのPyTorchファミリーに25のスケジューラ構成を適用し、CIFAR-10で合計3,938のモデル変種を評価した。 CosineAnnealingWarmRestarts と CyclicLR は、基本的な崩壊戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-07-09T14:06:39Z)
• Seq103: A Unified Neuroevolution Framework for Compact Sequence Architecture Discovery [2.3458032936447886]
  神経進化(Neuroevolution)は、進化的アルゴリズムを通じてネットワークトポロジと重みの両方を進化させる代表的なニューラルネットワーク探索パラダイムである。 本稿では,コンパクトなシーケンスアーキテクチャ発見のためのNEATスタイルのニューロ進化フレームワークであるSeq103を提案する。
  論文  参考訳（メタデータ） (2026-06-03T19:01:40Z)
• Prototype-Guided Classification Sub-Task Decoupling Framework: Enhancing Generalization and Interpretability for Multivariate Time Series [17.242128977027246]
  時系列分類(TSC)は、近年注目を集めている長年の研究課題である。 我々は,時系列分類を多段階決定プロセスとして再構成するプロトタイプ誘導フレームワークであるPDFTimeを提案する。 我々の知る限り、PDFTimeは、分離された多段階の類似性に基づく推論プロセスとして時系列分類を再構成する最初のフレームワークです。
  論文  参考訳（メタデータ） (2026-05-21T06:45:50Z)
• A Statistical Approach for Modeling Irregular Multivariate Time Series with Missing Observations [21.49782595218257]
  不十分な値を持つ不規則な時系列は、医療などの領域における予測モデリングに重大な課題をもたらす。 本手法は,観測値の標準偏差と,連続観測における変化の平均と変動率の4つの重要な特徴を計算した。 AUROC/AUPRCは0.5-1.7%、F1スコアは1.1-1.7%である。
  論文  参考訳（メタデータ） (2026-02-23T05:48:17Z)
• STaTS: Structure-Aware Temporal Sequence Summarization via Statistical Window Merging [7.085954928597584]
  時系列データは、しばしば遅延時間構造、局所定常状態間の遷移、繰り返しモチーフ、変動のバーストを含む。 本稿では,Structure-Aware Temporal Summarizationのための軽量で教師なしのフレームワークSTaTSを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:51:47Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• MASS: MoErging through Adaptive Subspace Selection [55.03293736484465]
  モデルマージの新しいアプローチであるMASS(MoErging through Adaptive Subspace Selection)を提案する。 MASSはタスクごとに最も健全な特異なコンポーネントのみを格納し、それらを共有モデルにマージする。 我々は,8,14,20タスクのベンチマークに対して,ViT-B-16,ViT-B-32,ViT-L-14を用いて,CLIPに基づく画像分類のMASSを評価する。
  論文  参考訳（メタデータ） (2025-04-06T08:49:52Z)
• Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting [107.4034346788744]
  既存の車両軌道予測モデルは、一般化可能性、予測の不確実性、複雑な相互作用を扱う。 本研究では,(1)自己拡張(SD)とマスドレコンストラクション(MR)による二重レベル表現学習,グローバルコンテキストと細部の詳細の収集,(2)レジスタベースのクエリと事前学習の強化,クラスタリングと抑圧の必要性の排除,(3)微調整中の適応型プロンプトチューニング,メインアーキテクチャの凍結,および少数のプロンプトの最適化といった,新たなトラジェクタ予測フレームワークであるPerceiverを提案する。
  論文  参考訳（メタデータ） (2025-01-08T20:11:09Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Autoencoder Based Iterative Modeling and Multivariate Time-Series Subsequence Clustering Algorithm [0.0]
  本稿では、過渡時系列データ(MTSD)における変化点の検出と対応する部分列の同定のためのアルゴリズムを提案する。 我々は、リカレントニューラルネットワーク(RNN)ベースのオートエンコーダ(AE)を用いて、入ってくるデータに基づいて反復的に訓練する。 同定されたサブシーケンスのモデルを保存し、繰り返しサブシーケンスの認識と高速オフラインクラスタリングに使用する。
  論文  参考訳（メタデータ） (2022-09-09T09:59:56Z)
• 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。