論文の概要: Decomposing Irregular Time Series into Interpretable Temporal Patterns with Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2611.00337v1
• Date: Fri, 30 Oct 2026 20:13:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:20:31.619065
• Title: Decomposing Irregular Time Series into Interpretable Temporal Patterns with Mixture-of-Experts
• Title（参考訳）: 不規則な時系列を混合した解釈可能な時間パターンに分解する
• Abstract要約: 我々は、不規則な時系列を時間パターンに分解するために、Mix-of-experts (MoE) を用いた解釈可能なフレームワークであるMoTIFを紹介する。 既知の時間構造を持つ合成データでは、MoTIFは確率よりはるかに高い正確なルーティングを回復する。 下流の不正検出では、MoTIFは標準トランスフォーマーとMoEベースラインにマッチする。
• 参考スコア（独自算出の注目度）: 8.508551156821234
• License:
• Abstract: Irregularly-spaced sequential data, such as transaction logs, encode multi-scale temporal structure that is critical for prediction but difficult to recover explicitly with standard sequence models, which often trade interpretability for performance. We introduce MoTIF, an interpretable framework using mixture-of-experts (MoE) attention to decompose irregular time series into temporal patterns spanning minute-to-year scales. Each expert is trained via temporal alignment that induces attention specialization to a designated cyclical or within-range pattern, with label-free routing supervision that learns to activate the correct expert from patterns present in the data. On synthetic data with known temporal structure, MoTIF recovers correct routing well above chance (0.389/0.829 for range/cyclical patterns vs. 0.091 random) and outperforms all baselines, including a standard transformer and an unspecialized MoE, on next-value prediction. On a public credit card transaction dataset, MoTIF achieves higher macro-F1 than all baselines for next-amount prediction. Its learned routing reveals structure a black-box model cannot: transactions are governed primarily by intraday and short-interval rhythms, while fraudulent transactions show bursty, calendar-agnostic timing versus the steadier periodicity of legitimate ones. On downstream fraud detection, MoTIF matches standard transformer and MoE baselines and clearly outperforms recent sequential recommendation models used as embedding baselines. These results show that decomposing temporal structure into interpretable, expert-specific patterns need not sacrifice predictive accuracy, offering a practical route to sequence models that are both accurate and auditable in high-stakes settings. Code is available at https://anonymous.4open.science/r/MoTIF-82E4.
• Abstract（参考訳）: トランザクションログのような不規則に区切られたシーケンシャルデータでは、予測に重要なマルチスケールの時間構造をエンコードするが、標準的なシーケンスモデルで明示的に復元することは困難である。 そこで我々は,MoTIF(Mix-of-Experts (MoE) attention) を用いた解釈可能なフレームワークを導入し,不規則な時系列を時間的パターンに分解する。 各専門家は時間的アライメントを通じてトレーニングされ、指定されたサイクリックパターンやイントラレンジパターンに注意を向ける。 既知の時間構造を持つ合成データでは、MoTIFは精度の高い経路を復元し(0.389/0.829 for range/cyclical pattern vs. 0.091 random)、次の値予測で標準変圧器と未特定MoEを含む全てのベースラインを上回ります。 パブリッククレジットカードトランザクションデータセットでは、MoTIFは次の上昇予測のために、すべてのベースラインよりも高いマクロF1を達成する。 トランザクションは主に日内および短期のリズムによって管理されるが、不正なトランザクションは、正統なトランザクションのより安定した周期性に対して、バーストでカレンダーに依存しないタイミングを示す。 下流の不正検出では、MoTIFは標準トランスフォーマーとMoEベースラインにマッチし、埋め込みベースラインとして使用される最近のシーケンシャルレコメンデーションモデルよりも明らかに優れている。 これらの結果は、時間構造を解釈可能な専門家固有のパターンに分解することは予測精度を犠牲にすることなく、高精度かつ監査可能なシーケンスモデルへの実用的な経路を提供することを示した。 コードはhttps://anonymous.4open.science/r/MoTIF-82E4で公開されている。

関連論文リスト

• GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
  時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
  論文  参考訳（メタデータ） (2026-10-04T00:20:36Z)
• SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting [78.20370240878118]
  時系列予測のためのイベントコンディショニングを動的に最適化するクローズドループフレームワークSEER(Self-Evolving Event Reasoning and Retrieval)を提案する。 SEERは予測エラーを2つの分離されたフィードバックメカニズムに変換する。 イベント検索とリフレクションの両方にわたって厳格な時間境界を強制し、ルックアヘッドバイアスとデータ漏洩を防止する。
  論文  参考訳（メタデータ） (2026-10-02T22:30:10Z)
• A Time-Aware Bag-of-Receptive-Fields for Interpretable Irregular Time Series Classification [0.20305676256390937]
  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。
  論文  参考訳（メタデータ） (2026-09-30T08:24:00Z)
• AME-TS: Anchored Mixture-of-Experts for Time Series Forecasting [4.62087302563841]
  本稿では、専門家のルーティングを解釈可能な時間構造に整合させる構造誘導スパース時系列基礎モデルを提案する。 AME-TSはモデルスケール間で高い精度と効率のトレードオフを提供する。 より解釈可能なルーティング幾何学と、標準的なMoEよりもかなり安定した専門家特殊化を学習する。
  論文  参考訳（メタデータ） (2026-05-24T16:52:48Z)
• Time Series Foundation Models for Process Model Forecasting [8.339024524110828]
  プロセスモデル予測は、プロセスの制御フロー構造が時間とともにどのように進化するかを予測することを目的としています。 機械学習とディープラーニングモデルは、統計的ベースラインよりも控えめな利得しか提供しない。 PMF の代替として Time Series Foundation Models (TSFMs) について検討する。
  論文  参考訳（メタデータ） (2025-12-08T15:08:50Z)
• 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)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)

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。