本論文では、ハードクラスタリングの一般的なアプローチである k-MLE を開発し、その収束性を示す。k-Bregman クラスタリングは k-MLE の特殊ケースであり、初めて完全な収束性の証明を与える。さらに、ベクトル自己回帰時系列のクラスタリングに k-VARs を適用し、その収束性と計算アルゴリズムを提案する。
ブラックボックスの回帰モデルに対して、効率的で信頼性の高い不確実性推定を提供する手法を提案する。
バリエート埋め込み(VE)を使用することで、各バリエートに固有かつ一貫した埋め込みを学習し、Mixture of Experts(MoE)とLow-Rank Adaptation(LoRA)を組み合わせることで、予測性能を向上させつつパラメータ数を抑えることができる。
本論文では、高次元時系列データの解析のために、有限次元リー群表現に基づくパス開発層を提案する。この層は、データ適応型で次元削減が可能であり、長期依存性の捕捉と安定した学習プロセスを実現する。
時系列データから希少だが高い信頼性を持つ時間パターンを効率的に発掘する手法を提案する。
時系列データの相互情報量を分解することで、時系列データの過去の一部が相乗効果を持ち、他の部分が冗長性を持つことを明らかにした。
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。
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。
本論文では、高次元かつ方向性のある相互作用を予測するための新しいモデルDHyperNodeTPPを提案する。このモデルは、ノードレベルでの事象発生時刻の予測、候補となる高次元相互作用の生成、そして高次元相互作用の予測という3つのタスクを統合的に学習する。これにより、従来のモデルに比べて効率的に高次元かつ方向性のある相互作用を予測することができる。