時系列解析

insight - 時系列解析

マルチバリエート時系列の平均変化点の検出

本研究では、弱依存のイノベーションを持つ線形プロセスデータの平均変化点を検出し、スペクトル密度を推定する確率的手法を提示する。提案手法は、時系列データの時間的変化を理解し、異常を検出するための信頼性の高いツールを提供する。

不規則にサンプリングされた時系列データの機能的潜在ダイナミクスを用いた予測

不規則にサンプリングされた時系列データの予測のために、単純な曲線関数を用いて連続的な潜在状態を表現するモデルを提案する。

時系列グラフデータの不規則サンプリングに対応した時間グラフ微分方程式フレームワーク

時系列グラフデータの不規則サンプリングに対応するため、時間グラフ微分方程式(TG-ODE)フレームワークを提案する。TG-ODEは、グラフの時間的および空間的ダイナミクスを学習し、不規則にサンプリングされたグラフストリームに対して優れた性能を発揮する。

時系列異常検知のための副隣接ネイバーフッドからの再構成誤差を用いた Sub-Adjacent Transformer の提案

本論文では、時系列異常検知のための新しい注意メカニズムを持つ Sub-Adjacent Transformer を提案する。従来の手法とは異なり、提案手法は即時隣接領域ではなく副隣接領域に注目することで、異常点の検出精度を向上させる。

時系列予測のための単一の復号器ベースのファウンデーションモデル

大規模な時系列データセットを使用して事前学習された単一のファウンデーションモデルは、個別のデータセットに特化した最先端の監督学習モデルに匹敵する優れた零次学習パフォーマンスを発揮する。

時系列データにおける簡単かつ正確なモチーフ検出 - Motiflets

本論文では、時系列データにおけるモチーフ検出の新しい定義である「k-Motiflets」を提案する。k-Motiflets は、モチーフの出現数kを中心パラメータとし、モチーフ間の最大距離を最小化する。これにより、従来のモチーフ検出手法で問題となっていた距離閾値rの設定が不要となり、より直感的で使いやすい手法を実現した。

About

Products

Resources