論文の概要: FilterNet: Harnessing Frequency Filters for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2411.01623v2
- Date: Tue, 05 Nov 2024 04:07:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 15:00:36.106286
- Title: FilterNet: Harnessing Frequency Filters for Time Series Forecasting
- Title（参考訳）: FilterNet:時系列予測のための周波数フィルタのハーネス化
- Authors: Kun Yi, Jingru Fei, Qi Zhang, Hui He, Shufeng Hao, Defu Lian, Wei Fan,
- Abstract要約: FilterNetは、時系列信号の特定の成分を選択的に通過または減衰させることにより、重要な情報的時間パターンを抽出するために、我々の提案した学習可能な周波数フィルタ上に構築されている。
2つのフィルタを備えることで、FilterNetは、時系列文学で広く採用されている線形およびアテンションマッピングを概ねサロゲートすることができる。
- 参考スコア（独自算出の注目度）: 34.83702192033196
- License:
- Abstract: While numerous forecasters have been proposed using different network architectures, the Transformer-based models have state-of-the-art performance in time series forecasting. However, forecasters based on Transformers are still suffering from vulnerability to high-frequency signals, efficiency in computation, and bottleneck in full-spectrum utilization, which essentially are the cornerstones for accurately predicting time series with thousands of points. In this paper, we explore a novel perspective of enlightening signal processing for deep time series forecasting. Inspired by the filtering process, we introduce one simple yet effective network, namely FilterNet, built upon our proposed learnable frequency filters to extract key informative temporal patterns by selectively passing or attenuating certain components of time series signals. Concretely, we propose two kinds of learnable filters in the FilterNet: (i) Plain shaping filter, that adopts a universal frequency kernel for signal filtering and temporal modeling; (ii) Contextual shaping filter, that utilizes filtered frequencies examined in terms of its compatibility with input signals for dependency learning. Equipped with the two filters, FilterNet can approximately surrogate the linear and attention mappings widely adopted in time series literature, while enjoying superb abilities in handling high-frequency noises and utilizing the whole frequency spectrum that is beneficial for forecasting. Finally, we conduct extensive experiments on eight time series forecasting benchmarks, and experimental results have demonstrated our superior performance in terms of both effectiveness and efficiency compared with state-of-the-art methods. Code is available at this repository: https://github.com/aikunyi/FilterNet
- Abstract（参考訳）: 異なるネットワークアーキテクチャを用いて多くの予測器が提案されているが、Transformerベースのモデルは時系列予測において最先端の性能を持つ。
しかし、トランスフォーマーに基づく予測器はまだ、高周波信号の脆弱性、計算効率、フルスペクトル利用のボトルネックに悩まされており、これは本質的に数千点の時系列を正確に予測するための基礎となっている。
本稿では,ディープ時系列予測のための信号処理の新たな視点について検討する。
提案する周波数フィルタ上に構築された単純なネットワークであるFilterNetを導入し、時系列信号の特定の成分を選択的に通過または減衰させることにより、重要な情報的時間パターンを抽出する。
具体的には、FilterNetに2種類の学習可能なフィルタを提案する。
一 信号フィルタリング及び時間モデリングに普遍周波数カーネルを用いる平面整形フィルタ
(II)依存性学習のための入力信号との整合性の観点から検討したフィルタ周波数を利用したコンテキスト整形フィルタ。
2つのフィルタが組み合わされ、FilterNetは、時系列文学において広く採用されている線形および注意マッピングを概ね補完し、高周波ノイズの処理と予測に有用な全周波数スペクトルの活用に優れた能力を享受する。
最後に,8つの時系列予測ベンチマークについて広範な実験を行い,実験結果から,最先端手法と比較して,有効性と効率の両面で優れた性能を実証した。
コードは、このリポジトリで入手できる。 https://github.com/aikunyi/FilterNet
関連論文リスト
- Multi-Mode Array Filtering of Resonance Fluorescence [0.0]
本稿では,周波数フィルタによる光子相関の測定と計算のための新しい周波数フィルタ法を提案する。
モード依存位相変調を導入することで、ほぼ矩形周波数応答を生成する。
単モードおよび多モードアレイフィルタによる2階自動・相互相関関数の結果について述べる。
論文 参考訳（メタデータ） (2024-05-06T23:07:19Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - 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) - The Pseudo Projection Operator: Applications of Deep Learning to
Projection Based Filtering in Non-Trivial Frequency Regimes [5.632784019776093]
本稿では,ニューラルネットワークを利用して周波数選択を行うPseudo Projection Operator(PPO)を提案する。
我々は,ロチェスター大学マルチモーダル・ミュージック・パフォーマンス・データセット上で,PPO,PO,DAEのフィルタリング機能を比較した。
ほとんどの実験では、PPOはPOとDAEの両方より優れています。
論文 参考訳（メタデータ） (2021-11-13T16:09:14Z) - Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
ガウス過程回帰に基づく適応型低域通過フィルタを提案する。
本研究では,提案手法の誤差が一様境界であることを示す。
論文 参考訳（メタデータ） (2021-11-05T17:06:59Z) - DeepFilterNet: A Low Complexity Speech Enhancement Framework for
Full-Band Audio based on Deep Filtering [9.200520879361916]
ディープフィルタを利用した2段階音声強調フレームワークDeepFilterNetを提案する。
まず、人間の周波数知覚をモデル化したERBスケールゲインを用いてスペクトルエンベロープを強化する。
第2段階では、音声の周期的成分を高めるためにディープフィルタリングを用いる。
論文 参考訳（メタデータ） (2021-10-11T20:03:52Z) - Direct design of biquad filter cascades with deep learning by sampling
random polynomials [5.1118282767275005]
本研究では, 何百万ものランダムフィルタで学習したニューラルネットワークを用いて, フィルタ係数空間に対する目標規模の応答から直接写像を学習する。
提案手法は,所望の応答に対するフィルタ係数の高速かつ高精度な推定を可能にする。
修正Yule-Walkerや勾配降下などの既存手法と比較し,IIRNetが平均的に高速かつ高精度であることを示す。
論文 参考訳（メタデータ） (2021-10-07T17:58:08Z) - Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。
本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。
ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文 参考訳（メタデータ） (2021-09-20T06:07:14Z) - Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。
アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。
我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文 参考訳（メタデータ） (2021-06-02T19:15:34Z) - Low Pass Filter for Anti-aliasing in Temporal Action Localization [15.139834271977913]
本稿では,時間的行動定位法におけるエイリアスの存在を検証する。
高周波帯域の抑制により低域通過フィルタを用いてこの問題を解決する。
実験により、TALにおける低域通過フィルタによるアンチエイリアシングは有利かつ効率的であることが示された。
論文 参考訳（メタデータ） (2021-04-23T03:57:34Z)
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。