論文の概要: TSB-SEG: A Systematic Time-Series Segmentation Benchmark

• arxiv url: http://arxiv.org/abs/2611.03039v1
• Date: Mon, 02 Nov 2026 12:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:43:27.611048
• Title: TSB-SEG: A Systematic Time-Series Segmentation Benchmark
• Title（参考訳）: TSB-SEG: 系統的な時系列セグメンテーションベンチマーク
• Abstract要約: 時系列セグメンテーションは、広範囲の監視および診断アプリケーションを支える。 この分野は、統計コミュニティ(CDDに焦点をあてる)と機械学習とデータマイニングコミュニティ(SDに焦点をあてる)の絶え間ない隔たりに悩まされている。
• 参考スコア（独自算出の注目度）: 8.60447833864601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series segmentation, studied as either Change Point Detection (CPD) or State Detection (SD), underpins a broad range of monitoring and diagnostic applications. However, the field suffers from a persistent divide between the statistical community (focusing on CPD) and the machine learning and data mining communities (focusing on SD). Consequently, the literature remains fragmented: evaluations typically cover narrow methodological families, datasets are often small or homogeneous, and CPD and SD are rarely evaluated together. We address these gaps with TSB-SEG, a unified benchmark comprising 592 univariate and multivariate time series from 8 heterogeneous datasets and surveying 26 algorithms that span five decades of progress. To ensure a fair comparison, we introduce a two-pool design: a scalable main pool of tractable detectors used for the aggregate ranking, and an extended-scope pool for computationally intensive methods. All methods are unified under tsseg, an open-source library to ensure full reproducibility. Our systematic evaluation yields three insights: (a) no single detector dominates across domains, and per-dataset hyperparameter tuning remains decisive for performance, (b) CPD accuracy is a useful, though imperfect, proxy for SD accuracy, and (c) data characteristics should guide method selection. We provide actionable guidance based on data properties, error tolerances, and tuning budgets, identify impactful hyperparameters, and characterize algorithm robustness to these choices.
• Abstract（参考訳）: 時系列セグメンテーションは、変化点検出(CPD)または状態検出(SD)として研究され、幅広いモニタリングと診断の応用を支えている。 しかし、この分野は統計コミュニティ(CDDに焦点をあてる)と機械学習とデータマイニングコミュニティ(SDに焦点をあてる)の絶え間ない隔たりに悩まされている。 その結果、文献は断片化され続けており、通常、評価は狭い方法論の家系をカバーし、データセットは小さいか均一であり、CDDとSDが一緒に評価されることは稀である。 TSB-SEGは8つの異種データセットから592の単変量および多変量時系列を合成し、50年間の進歩にまたがる26のアルゴリズムを調査した。 公平な比較を図るため,2プール設計を導入し,集約ランキングに使用するトラクタブル検出器のスケーラブルなメインプールと,計算集約手法のための拡張スコーププールを提案する。 すべてのメソッドは、完全な再現性を保証するオープンソースライブラリであるtssegの下で統合されている。 私たちの体系的評価は3つの洞察をもたらす。 (a)ドメインをまたいだ単一検出器は存在せず、データセットごとのハイパーパラメータチューニングはパフォーマンス上決定的のままである。 b)CDD精度は有用であるが不完全であり、SD精度のプロキシであり、 (c)データ特性はメソッドの選択をガイドすべきである。 我々は、データ特性、エラー耐性、チューニング予算に基づく実用的なガイダンスを提供し、影響のあるハイパーパラメータを特定し、これらの選択に対するアルゴリズムの堅牢性を特徴付ける。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis [0.24285581051793656]
  灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。 トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。 提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:41Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Detecting Change Intervals with Isolation Distributional Kernel [20.629723195973412]
  我々はまず,CID(Change-Interval Detection)問題の特別な場合として,CDD問題を一般化する。 近年の分離分布カーネル(IDK)に基づくCID手法iCIDを提案する。 iCIDの有効性と効率は、合成データセットと実世界のデータセットの両方で体系的に検証されている。
  論文  参考訳（メタデータ） (2022-12-30T10:56:56Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。