論文の概要: ReFocus: Reinforcing Mid-Frequency and Key-Frequency Modeling for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2502.16890v1
• Date: Mon, 24 Feb 2025 06:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:05.432061
• Title: ReFocus: Reinforcing Mid-Frequency and Key-Frequency Modeling for Multivariate Time Series Forecasting
• Title（参考訳）: ReFocus: 多変量時系列予測のための中周波数とキー周波数モデリングの強化
• Authors: Guoqi Yu, Yaoming Li, Juncheng Wang, Xiaoyu Guo, Angelica I. Aviles-Rivero, Tong Yang, Shujun Wang,
• Abstract要約: この研究は、畳み込みと残留学習に基づく新しい適応中周波数エネルギーを導入し、中周波数帯域の重要性を強調した。 各チャネルに他のチャネルからのスペクトル情報をランダムに導入するキー周波数モデリングをさらに強化するために、新しいキー周波数拡張訓練戦略が採用されている。 提案手法は,従来のSOTA iTransformerと比較してMSEを4%, 6%, 5%削減し, トラヒック, ECL, ソーラーベンチマークの多変量時系列予測を推し進めた。
• 参考スコア（独自算出の注目度）: 12.604476544895762
• License:
• Abstract: Recent advancements have progressively incorporated frequency-based techniques into deep learning models, leading to notable improvements in accuracy and efficiency for time series analysis tasks. However, the Mid-Frequency Spectrum Gap in the real-world time series, where the energy is concentrated at the low-frequency region while the middle-frequency band is negligible, hinders the ability of existing deep learning models to extract the crucial frequency information. Additionally, the shared Key-Frequency in multivariate time series, where different time series share indistinguishable frequency patterns, is rarely exploited by existing literature. This work introduces a novel module, Adaptive Mid-Frequency Energy Optimizer, based on convolution and residual learning, to emphasize the significance of mid-frequency bands. We also propose an Energy-based Key-Frequency Picking Block to capture shared Key-Frequency, which achieves superior inter-series modeling performance with fewer parameters. A novel Key-Frequency Enhanced Training strategy is employed to further enhance Key-Frequency modeling, where spectral information from other channels is randomly introduced into each channel. Our approach advanced multivariate time series forecasting on the challenging Traffic, ECL, and Solar benchmarks, reducing MSE by 4%, 6%, and 5% compared to the previous SOTA iTransformer. Code is available at this GitHub Repository: https://github.com/Levi-Ackman/ReFocus.
• Abstract（参考訳）: 近年,周波数に基づく手法が深層学習モデルに徐々に取り入れられ,時系列解析タスクの精度と効率が向上している。 しかし、低周波領域にエネルギーを集中させ、中周波帯域を無視できる実世界時系列における中周波スペクトルギャップは、既存のディープラーニングモデルが重要な周波数情報を抽出する能力を妨げている。 さらに、異なる時系列が区別不可能な周波数パターンを共有する多変量時系列における共有鍵周波数は、既存の文献ではほとんど利用されない。 コンボリューションと残差学習に基づく新しいモジュールAdaptive Mid-Frequency Energy Optimizerを導入し、中周波帯域の重要性を強調した。 また、より少ないパラメータで優れた系列間モデリング性能を実現するために、共有鍵周波数を捕捉するためのエネルギーベースの鍵周波数選択ブロックを提案する。 各チャネルに他のチャネルからのスペクトル情報をランダムに導入するキー周波数モデリングをさらに強化するために、新しいキー周波数拡張訓練戦略が採用されている。 提案手法は,従来のSOTA iTransformerと比較してMSEを4%, 6%, 5%削減し, トラヒック, ECL, ソーラーベンチマークの多変量時系列予測を推し進めた。 コードはGitHub Repositoryで入手できる。

関連論文リスト

• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
  本稿では,時系列データを周波数帯域に分解するFreqMoEモデルを提案する。 ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。 実験によると、FreqMoEは最先端のモデルよりも優れており、70のメトリクスのうち51で最高のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-01-25T08:25:52Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• FLEXtime: Filterbank learning for explaining time series [10.706092195673257]
  本稿では,FLEXtimeと呼ばれる時系列説明可能性の新たな手法を提案する。 フィルタバンクを使用して、時系列を周波数帯域に分割し、これらのバンドの最適な組み合わせを学ぶ。 本評価の結果,FLEXtime は様々なデータセットに対して,最先端の説明可能性手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T15:06:42Z)
• Omni-Dimensional Frequency Learner for General Time Series Analysis [12.473862872616998]
  スペクトル特徴の3つの側面の奥行き解析に基づいて,Omni-dimensional Frequency Learner (ODFL) モデルを提案する。 本手法は,非定常周波数帯域に着目した意味適応型大域的フィルタとチャネル次元間の部分演算からなる。 ODFLは、短期および長期予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、一貫した最先端を達成している。
  論文  参考訳（メタデータ） (2024-07-15T03:48:16Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• 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)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)
• 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)
• Voice2Series: Reprogramming Acoustic Models for Time Series Classification [65.94154001167608]
  Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。 V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
  論文  参考訳（メタデータ） (2021-06-17T07:59:15Z)

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。