論文の概要: Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline

• arxiv url: http://arxiv.org/abs/2505.11250v1
• Date: Fri, 16 May 2025 13:42:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.17048
• Title: Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline
• Title（参考訳）: 不規則な時系列予測を再考する - シンプルだが効果的なベースライン
• Authors: Xvyuan Liu, Xiangfei Qiu, Xingjian Wu, Zhengyu Li, Chenjuan Guo, Jilin Hu, Bin Yang,
• Abstract要約: 我々はこれらの課題に対処するためにAPNと呼ばれる一般的なフレームワークを提案する。 我々は、適応的なパッチ適用を実現するための新しいTAPA(Time-Aware Patch Aggregation)モジュールを設計する。 モデルの有効性を維持しながら、過去の情報を効果的に統合するために、単純なクエリーモジュールを使用します。 複数の実世界のデータセットに対する実験結果から、APNは既存の最先端の手法よりも効率と精度で優れていることが示された。
• 参考スコア（独自算出の注目度）: 12.66709671516384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The forecasting of irregular multivariate time series (IMTS) is crucial in key areas such as healthcare, biomechanics, climate science, and astronomy. However, achieving accurate and practical predictions is challenging due to two main factors. First, the inherent irregularity and data missingness in irregular time series make modeling difficult. Second, most existing methods are typically complex and resource-intensive. In this study, we propose a general framework called APN to address these challenges. Specifically, we design a novel Time-Aware Patch Aggregation (TAPA) module that achieves adaptive patching. By learning dynamically adjustable patch boundaries and a time-aware weighted averaging strategy, TAPA transforms the original irregular sequences into high-quality, regularized representations in a channel-independent manner. Additionally, we use a simple query module to effectively integrate historical information while maintaining the model's efficiency. Finally, predictions are made by a shallow MLP. Experimental results on multiple real-world datasets show that APN outperforms existing state-of-the-art methods in both efficiency and accuracy.
• Abstract（参考訳）: 不規則な多変量時系列(IMTS)の予測は、医療、生体力学、気候科学、天文学といった重要な分野において重要である。 しかし,2つの要因があるため,正確かつ実用的な予測は困難である。 第一に、不規則時系列における固有不規則性とデータ不足は、モデリングを困難にしている。 第二に、既存のほとんどのメソッドは一般的に複雑でリソース集約である。 本研究では,これらの課題に対処するため,APNと呼ばれる汎用フレームワークを提案する。 具体的には,適応的なパッチ適用を実現するためのTAPA(Time-Aware Patch Aggregation)モジュールを設計する。 動的に調整可能なパッチ境界と時間対応の重み付け戦略を学習することにより、TAPAは元の不規則なシーケンスをチャンネル非依存の高品質な正規化表現に変換する。 さらに、単純なクエリモジュールを使用して、モデルの有効性を維持しながら、履歴情報を効果的に統合する。 最後に、予測は浅いMLPによって行われる。 複数の実世界のデータセットに対する実験結果から、APNは既存の最先端の手法よりも効率と精度で優れていることが示された。

関連論文リスト

• TRACE: Time SeRies PArameter EffiCient FinE-tuning [4.398852373014641]
  TRACE: Time Series Efficient Fine-tuning と呼ばれる時系列基礎モデルの効率的な微調整法を提案する。 長期予測タスクでは、調整された微調整がパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-21T09:55:43Z)
• Diffeomorphic Temporal Alignment Nets for Time-series Joint Alignment and Averaging [8.14908648005543]
  時系列分析では、非線形時間的不整合は、森林労働者がより単純な平均化を行うための重要な課題である。 DTANは入力依存の方法で微分同相変換を予測し、適用することにより、時系列アンサンブルのジョイントアライメント(JA)と平均化を容易にする。 我々は、マルチタスク学習(MT-DTAN)を組み込むためにフレームワークを拡張し、同時調整と分類を可能にした。
  論文  参考訳（メタデータ） (2025-02-10T15:55:08Z)
• 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)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [1.4530711901349282]
  本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。 現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。 モデル安定性を高めるために、小さなメモリバッファを組み込むことで、確立された自己学習フレームワークを強化する。
  論文  参考訳（メタデータ） (2023-09-18T19:34:23Z)

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。