論文の概要: Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis

• arxiv url: http://arxiv.org/abs/2503.02609v1
• Date: Tue, 04 Mar 2025 13:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:17.502910
• Title: Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis
• Title（参考訳）: 軽量チャネルワイドダイナミックフュージョンモデル:エントロピー解析による非定常時系列予測
• Authors: Tianyu Jia, Zongxia Xie, Yanru Sun, Dilfira Kudrat, Qinghua Hu,
• Abstract要約: 我々は、分散が時系列の非定常性に対する有効かつ解釈可能なプロキシであることを示す。 軽量なtextitChannel-wise textitDynamic textitFusion textitModel(textitCDFM)を提案する。 7つの時系列データセットに関する総合的な実験は、CDFMの優位性と一般化能力を示している。
• 参考スコア（独自算出の注目度）: 25.291749176117662
• License:
• Abstract: Non-stationarity is an intrinsic property of real-world time series and plays a crucial role in time series forecasting. Previous studies primarily adopt instance normalization to attenuate the non-stationarity of original series for better predictability. However, instance normalization that directly removes the inherent non-stationarity can lead to three issues: (1) disrupting global temporal dependencies, (2) ignoring channel-specific differences, and (3) producing over-smoothed predictions. To address these issues, we theoretically demonstrate that variance can be a valid and interpretable proxy for quantifying non-stationarity of time series. Based on the analysis, we propose a novel lightweight \textit{C}hannel-wise \textit{D}ynamic \textit{F}usion \textit{M}odel (\textit{CDFM}), which selectively and dynamically recovers intrinsic non-stationarity of the original series, while keeping the predictability of normalized series. First, we design a Dual-Predictor Module, which involves two branches: a Time Stationary Predictor for capturing stable patterns and a Time Non-stationary Predictor for modeling global dynamics patterns. Second, we propose a Fusion Weight Learner to dynamically characterize the intrinsic non-stationary information across different samples based on variance. Finally, we introduce a Channel Selector to selectively recover non-stationary information from specific channels by evaluating their non-stationarity, similarity, and distribution consistency, enabling the model to capture relevant dynamic features and avoid overfitting. Comprehensive experiments on seven time series datasets demonstrate the superiority and generalization capabilities of CDFM.
• Abstract（参考訳）: 非定常性は実世界の時系列の本質的な性質であり、時系列予測において重要な役割を果たす。 従来の研究は主に、予測可能性を改善するために、元の級数の非定常性を弱めるためにインスタンス正規化を採用する。 しかし、非定常性を直接排除するインスタンス正規化は、(1)グローバルな時間的依存の破壊、(2)チャネル固有の差異の無視、(3)過度に滑らかな予測を生み出すという3つの問題に繋がる。 これらの問題に対処するために、時間列の非定常性を定量化するための、分散が有効かつ解釈可能なプロキシとなることを理論的に証明する。 この分析に基づいて,本研究では,正規化系列の予測可能性を維持しつつ,原系列の内在的非定常性を選択的に動的に回復する,軽量な \textit{C}hannel-wise \textit{D}ynamic \textit{F}usion \textit{M}odel (\textit{CDFM}) を提案する。 まず、安定なパターンをキャプチャする時間定常予測器と、グローバルな動的パターンをモデル化する時間非定常予測器の2つの分岐を含むデュアル予測モジュールを設計する。 第2に,差分に基づく固有非定常情報を動的に特徴付けるフュージョンウェイト学習器を提案する。 最後に、チャネルセレクタを導入し、その非定常性、類似性、分布の整合性を評価して、特定のチャネルから非定常情報を選択的に復元する。 7つの時系列データセットに関する総合的な実験は、CDFMの優位性と一般化能力を示している。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TwinS: Revisiting Non-Stationarity in Multivariate Time Series Forecasting [29.208648615140575]
  非定常周期分布に対処するTransformer-based TwinSモデルを提案する。 ウェーブレット畳み込みモデルは、ウェーブレットのような畳み込みカーネルサイズをスケールすることで、ネストした期間をモデルとした。 周期認識注意は、畳み込みサブネットワークを通して周期関連スコアを生成することによって注意を誘導する。 Channel-Temporal Mixedは、チャネル時混合学習を通じて時系列間の全体的な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-06T03:14:23Z)
• Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting [12.793705636683402]
  MTS内の非定常性と固有特性を考慮した強力な階層的確率的生成モジュールを開発した。 次に、階層時間系列変分変換器(HTV-Trans)という、明確に定義された変動生成動的モデルに対する変換器と組み合わせる。 HTV-Transは強力な確率モデルであり、MTSの表現表現を学習し、予測タスクに適用する。
  論文  参考訳（メタデータ） (2024-03-08T16:04:36Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Probabilistic Forecasting of Irregular Time Series via Conditional Flows [4.995289882402786]
  本稿では,不規則サンプル時系列の確率予測のための新しいモデルProFITiを提案する。 このモデルは過去の観測や待ち行列や時間に基づく時系列の今後の値に関する共同分布を学習する。 4つのデータセットに対して広範な実験を行い、提案モデルが以前最高のモデルよりも4ドル高い確率を提供することを示した。
  論文  参考訳（メタデータ） (2024-02-09T10:14:18Z)
• IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting [38.4809915448213]
  固定統計量に依存しない時系列予測のための分離された定式化を提案する。 また、時系列変換のための新しい可逆ネットワークであるインスタンス正規化フロー(IN-Flow)を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:35:52Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• DRAformer: Differentially Reconstructed Attention Transformer for Time-Series Forecasting [7.805077630467324]
  時系列予測は、機器ライフサイクル予測、天気予報、交通フロー予測など、多くの現実シナリオにおいて重要な役割を果たす。 最近の研究から、様々なトランスフォーマーモデルが時系列予測において顕著な結果を示したことが観察できる。 しかし、時系列予測タスクにおけるトランスフォーマーモデルの性能を制限する問題がまだ残っている。
  論文  参考訳（メタデータ） (2022-06-11T10:34:29Z)
• Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting [86.33543833145457]
  本稿では,2つの相互依存モジュールを持つ汎用フレームワークとして,非定常変圧器を提案する。 我々のフレームワークは、メインストリームのトランスフォーマーを、大きなマージンで継続的に増加させ、トランスフォーマーで49.43%、インフォーマーで47.34%、改革派で46.89%削減します。
  論文  参考訳（メタデータ） (2022-05-28T12:27:27Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。