時系列異常検知モデルの性能は初期化パラメータに非常に敏感であり、これにより人為的な性能向上が引き起こされる可能性がある。
マルチモーダルな大規模言語モデル(MLLM)は視覚分野での推論能力を示してきたが、時系列データに対する同様の成功は見られていない。本研究では、時系列データを直接エンコードする軽量なエンコーダを用いることで、LLMが時系列の特徴を理解し、推論を行えるようにする。
時系列基盤モデルを特定のドメインに適応させるためのパラメータ効率の高いファインチューニング手法を探索し、ヘルスケアデータの予測タスクにおいて優れた性能を示した。
時系列データの時空間相互作用をモデル化し、オンラインで適応的に学習できる時空間共分散ニューラルネットワークを提案する。
オンラインマシンラーニングを用いた時系列データの異常検知手法OML-ADを提案し、従来手法よりも高精度かつ効率的であることを示した。
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。