時系列 – ページ 2 – arXiv最新論文の紹介

LNT(Local Neural Transformations) : 時系列データからの異常検知

Detecting Anomalies within Time Series using Local Neural Transformations [30.7]
局所ニューラルトランスフォーメーション(Local Neural Transformations, LNT)は、データから時系列の局所変換を学ぶ方法である。 LNTは各タイムステップ毎に異常スコアを生成し、したがって時系列内の異常を検出するために使用できる。我々の実験は,LNTがLibriSpeechデータセットから音声セグメントの異常を見つけ,サイバー物理システムへの割り込みを従来よりもより正確に検出できることを実証した。
論文参考訳（メタデータ） (Tue, 8 Feb 2022 15:51:31 GMT)
- self-supervised を活用して一定期間ごとの表現を学習、時系列での異常検知に活用、優れた性能を達成。
- リポジトリはGitHub – boschresearch/local_neural_transformations: Companion code for the self-supervised anomaly detection algorithm proposed in the paper “Detecting Anomalies within Time Series using Local Neural Transformations” by Tim Schneider et al.

CoST: Contrastive Learning of Disentangled Seasonal-Trend Representations for Time Series Forecasting [35.8]
我々はCoSTという新しい時系列表現学習フレームワークを提案する。コントラスト学習法を用いて季節差表現を学習する。実世界のデータセットの実験では、CoSTが最先端のメソッドを一貫して上回っていることが示されている。
論文参考訳（メタデータ）参考訳（全文） (Thu, 3 Feb 2022 13:17:38 GMT)
- 新たな時系列表現学習方法の提案。
- TS2Vec　GitHub – yuezhihan/ts2vec: A universal time series representation learning framework　を上回る性能とのこと。

Towards Similarity-Aware Time-Series Classification [51.2]
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） (Wed, 5 Jan 2022 02:14:57 GMT)
- 時系列分類をグラフノードの予測問題として解く方針の提案。実験結果からはラベルの数によっては優れた性能を発揮できているように見える。この手の問題はよく見かけるので選択肢の一つとして有望な気はする。
- リポジトリはGitHub – daochenzha/SimTSC: [SDM 2022] Towards Similarity-Aware Time-Series Classification