論文の概要: D-PAD: Deep-Shallow Multi-Frequency Patterns Disentangling for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2403.17814v1
- Date: Tue, 26 Mar 2024 15:52:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 14:47:26.831596
- Title: D-PAD: Deep-Shallow Multi-Frequency Patterns Disentangling for Time Series Forecasting
- Title（参考訳）: D-PAD:時系列予測のための深帯域多重周波数パターン
- Authors: Xiaobing Yuan, Ling Chen,
- Abstract要約: 時系列予測のためのディープシャロー多周波パターンであるD-PADを提案する。
D-PADは最先端のパフォーマンスを達成し、それぞれMSEとMAEで平均9.48%と7.15%で最高のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 7.447606231770597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In time series forecasting, effectively disentangling intricate temporal patterns is crucial. While recent works endeavor to combine decomposition techniques with deep learning, multiple frequencies may still be mixed in the decomposed components, e.g., trend and seasonal. Furthermore, frequency domain analysis methods, e.g., Fourier and wavelet transforms, have limitations in resolution in the time domain and adaptability. In this paper, we propose D-PAD, a deep-shallow multi-frequency patterns disentangling neural network for time series forecasting. Specifically, a multi-component decomposing (MCD) block is introduced to decompose the series into components with different frequency ranges, corresponding to the "shallow" aspect. A decomposition-reconstruction-decomposition (D-R-D) module is proposed to progressively extract the information of frequencies mixed in the components, corresponding to the "deep" aspect. After that, an interaction and fusion (IF) module is used to further analyze the components. Extensive experiments on seven real-world datasets demonstrate that D-PAD achieves the state-of-the-art performance, outperforming the best baseline by an average of 9.48% and 7.15% in MSE and MAE, respectively.
- Abstract（参考訳）: 時系列予測では、複雑な時間パターンを効果的に切り離すことが重要である。
近年の研究では、分解技術と深層学習を組み合わせる努力が続けられているが、分解された成分(例えば、トレンド、季節)には、複数の周波数が混在している可能性がある。
さらに、周波数領域解析法、例えばフーリエ変換やウェーブレット変換は、時間領域の分解能と適応性に制限がある。
本稿では,D-PADを提案する。D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PAD,D-PADなどである。
具体的には、マルチコンポーネント分解(MCD)ブロックを導入して、シリーズを周波数範囲の異なるコンポーネントに分解する。
分解分解分解分解(D-R-D)モジュールを提案し, 「深度」の側面に対応する成分に混在する周波数の情報を段階的に抽出する。
その後、インタラクション・アンド・フュージョン(IF)モジュールを使用してコンポーネントを解析する。
7つの実世界のデータセットに対する大規模な実験は、D-PADが最先端のパフォーマンスを達成し、それぞれMSEとMAEで平均9.48%と7.15%で最高のベースラインを上回っていることを示している。
関連論文リスト
- MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting [18.815152183468673]
時系列予測は多くの分野において重要であるが、現在のディープラーニングモデルはノイズやデータの分散、複雑なパターンのキャプチャに苦労している。
本稿では,コントラスト学習とマルチスケール特徴抽出を組み合わせることで,これらの課題に対処する新しいフレームワークであるMFF-FTNetを提案する。
5つの実世界のデータセットに対する大規模な実験は、MFF-FTNetが最先端のモデルを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-11-26T12:41:42Z) - DCDepth: Progressive Monocular Depth Estimation in Discrete Cosine Domain [20.55626048513748]
DCDepthは長期の単眼深度推定のための新しいフレームワークである。
離散コサイン領域に変換した後、深さパッチの周波数係数を推定する。
我々は,NYU-Depth-V2,TOFDC,KITTIデータセットに関する総合実験を行い,DCDepthの最先端性能を実証した。
論文 参考訳（メタデータ） (2024-10-19T05:10:07Z) - Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。
39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
論文 参考訳（メタデータ） (2024-10-14T13:01:11Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Frequency-Adaptive Pan-Sharpening with Mixture of Experts [22.28680499480492]
パンシャーピングのための新しい周波数適応型エキスパート混合学習フレームワーク(FAME)を提案する。
本手法は他の最先端技術に対して最善を尽くし,現実のシーンに対して強力な一般化能力を有する。
論文 参考訳（メタデータ） (2024-01-04T08:58:25Z) - MultiWave: Multiresolution Deep Architectures through Wavelet
Decomposition for Multivariate Time Series Prediction [6.980076213134384]
MultiWaveは、信号の固有周波数で動作するコンポーネントを組み込むことで、ディープラーニング時系列モデルを強化する新しいフレームワークである。
我々は、MultiWaveが重要な特徴とその周波数成分を一貫して識別し、研究対象のアプリケーションに対する貴重な洞察を提供することを示す。
論文 参考訳（メタデータ） (2023-06-16T20:07:15Z) - A Novel Method Combines Moving Fronts, Data Decomposition and Deep
Learning to Forecast Intricate Time Series [0.0]
インド・サマーモンスーン・レインフォール(英語: Indian Summer Monsoon Rainfall、ISMR)は、インドの都市。
従来のワンタイム分解技術は、未来からの情報が漏れることに悩まされている。
データ漏洩を防止するために移動フロント(MF)法を提案する。
論文 参考訳（メタデータ） (2023-03-11T12:07:26Z) - Diffusion Probabilistic Model Made Slim [128.2227518929644]
軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。
一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
論文 参考訳（メタデータ） (2022-11-27T16:27:28Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-27T14:25:52Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳（メタデータ） (2021-08-03T12:26:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。