멀티스케일 리저버 역학과 그래뉼러 볼 앵커 그래프 최적화를 이용한 효율적인 시계열 클러스터링
Efficient Time Series Clustering from Multiscale Reservoir Dynamics with Granular-Ball Anchoring Graph Optimization
한국어 초록
시계열 클러스터링은 클러스터링 유효성과 계산 효율성 사이의 본질적인 상충 관계로 인해 여전히 어려운 문제로 남아 있습니다. 유사도 기반 방법은 쌍별 거리 계산으로 인한 이차 복잡도 문제를 겪는 반면, 심층 학습 기반 접근법은 일반적으로 비용이 많이 드는 반복 학습과 다수의 학습 가능한 파라미터에 의존합니다. 본 논문에서는 MSRGC-Net, 즉 멀티스케일 리저버 컴퓨팅, 그래뉼러 볼 기반 앵커 그래프 구성, 그리고 컨센서스 학습을 통합하는 효율적인 시계열 클러스터링 프레임워크를 제안합니다. MSRGC-Net은 역전파 없이 원본 시계열에서 멀티스케일 시간 표현을 추출하기 위해 학습 불필요(training-free) 리저버 컴퓨팅 패러다임을 채택하여, 계산 오버헤드를 크게 줄입니다. 결과 표현의 내재 구조를 포착하기 위해, 그래뉼러 볼 컴퓨팅을 사용하여 밀도 일치 영역을 통해 데이터 분포를 적응적으로 모델링함으로써, 컴팩트하고 견고한 앵커 그래프 표현을 생성합니다. 또한, 멀티스케일 리저버 표현을 효과적으로 정렬하고 시간 스케일 간의 상보적 정보를 통합하기 위해 컨센서스 기반 앵커 그래프 최적화 전략을 도입합니다. 널리 사용되는 단변량 및 다변량 벤치마크 데이터셋에 대한 광범위한 실험을 통해, MSRGC-Net이 우수한 계산 효율성을 유지하면서도 클러스터링 성능 면에서 최신 기법(state-of-the-art)을 일관되게 능가함을 입증합니다.
원문 초록
Time-series clustering remains challenging due to the inherent trade-off between clustering effectiveness and computational efficiency. Similarity-based methods often suffer from quadratic complexity caused by pairwise distance computations, while deep learning-based approaches typically rely on costly iterative training and a large number of trainable parameters. In this paper, we propose MSRGC-Net, an efficient time-series clustering framework that integrates multiscale reservoir computing, granular-ball-based anchoring graph construction, and consensus learning. MSRGC-Net adopts a training-free reservoir computing paradigm to extract multiscale temporal representations from raw time series without backpropagation, significantly reducing computational overhead. To capture the intrinsic structure of the resulting representations, granular-ball computing is employed to adaptively model data distributions via density-consistent regions, yielding compact and robust anchor graph representations. Furthermore, a consensus-based anchoring graph optimization strategy is introduced to effectively align multiscale reservoir representations and integrate complementary information across temporal scales. Extensive experiments on widely used univariate and multivariate benchmark datasets demonstrate that MSRGC-Net consistently outperforms state-of-the-art methods in clustering performance while maintaining superior computational efficiency.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.12077v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
NEMORA: 장거리 원자론적 학습을 위한 신경 등변 다중극 연산자
NEMORA: Neural Equivariant Multipole Operators for Long-Range Atomistic Learning
등변 그래프 신경망(Equivariant Graph Neural Network)은 머신러닝 기반 원자 간 포텐셜(interatomic potential)의 핵심 아키텍처로 부상하여, 계산 비용의 일부만으로도 양자 화학 수준의 정확도에 근접하고 있습니다. 이러한 모델들은 국소 원자 환경을 정확하게 기술하지만, 유한한 공간적 컷오프(cutoff)로 인해 장거리 정보 흐름이 단절되며, 메시지 전달 계층을 깊게 쌓으면 지나친 평활화(over-smoothing) 및 과도한 압축(over-squashing)이 발생할 수 있습니다. 기존의 장거리 확장 기법들은 고정된 해석적 전파 커널(propagation kernel)을 규정하거나, 장거리 통신을 스칼라 또는 차수 보존 채널로 제한하거나, 근사적으로만 등변성을 만족하거나, 초선형(super-linear) 계산 비용을 초래합니다. 대규모 시스템에 대해 효율적인 스케일링(scaling) 및 다중 스케일 다체 표현력과 함께 학습 가능한 장거리 등변 수송을 결합하는 것은 여전히 핵심 과제로 남아 있습니다. 본 논문에서는 장거리 텐서 표현 학습을 위해 고속 다중극 방법(Fast Multipole Method, FMM)을 신경 등변 방식으로 확장한 NEMORA(Neural Equivariant Multipole Operators)를 소개합니다. NEMORA는 적응형 공간 계층 구조상에서 FMM의 해석적 다중극 전개 및 변환 연산자를 학습 가능한 등변 연산자로 일반화합니다. 이 연산자들은 각도 차수를 결합하고 다양한 길이 스케일에 걸쳐 다체 상호작용을 형성하며, 데이터 의존적인 장거리 결합을 학습하는 동시에 FMM의 계층적 구조와 해석적 방사형 인자를 물리적 귀납 편향(inductive bias)으로 유지합니다. NEMORA는 선형 시간 및 메모리 복잡도로 평가되므로 수십만 개의 원자에 달하는 대규모 시스템을 다른 장거리 방식보다 효율적으로 다룰 수 있으며, 대칭 제약이 있는 백본 및 제약이 없는 단거리 백본 모두를 보강합니다. 비국소(non-local) 벤치마크에서 단거리 백본 대비 힘(force) 및 에너지 오차를 각각 1자릿수(order of magnitude) 이상, 최대 3자릿수까지 줄여, 정확도 측면에서 기존의 장거리 확장 기법보다 우수하거나 경쟁력 있는 성능을 보입니다.
Long-Range LiDAR Vehicle Detection Through Clustering and Classification for Autonomous Racing
Hypergraph Contrastive Learning for Drug Trafficking Community Detection
Graph Regularized and Feature Aware Matrix Factorization for Robust Incomplete Multi-view Clustering
Simultaneous Linear Multi-view Attributed Graph Representation Learning and Clustering
Robust Diversified Graph Contrastive Network for Incomplete Multi-view Clustering
토론
이 논문과 연결된 포럼 글이 아직 없습니다.