論文の概要: Beyond Time: Cross-Dimensional Frequency Supervision for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.11567v1
• Date: Fri, 16 May 2025 09:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.708638
• Title: Beyond Time: Cross-Dimensional Frequency Supervision for Time Series Forecasting
• Title（参考訳）: 時間を超えて - 時系列予測のためのクロス次元周波数スーパービジョン
• Authors: Tianyi Shi, Zhu Meng, Yue Chen, Siyang Zheng, Fei Su, Jin Huang, Changrui Ren, Zhicheng Zhao,
• Abstract要約: クロス次元周波数損失(X-Freq)と呼ばれる純粋周波数領域管理手法を提案する。 X-Freqは、長期予測データセットで平均3.3%、短期予測で27.7%の予測性能を向上させることができる。
• 参考スコア（独自算出の注目度）: 27.031050170275307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting plays a crucial role in various fields, and the methods based on frequency domain analysis have become an important branch. However, most existing studies focus on the design of elaborate model architectures and are often tailored for limited datasets, still lacking universality. Besides, the assumption of independent and identically distributed (IID) data also contradicts the strong correlation of the time domain labels. To address these issues, abandoning time domain supervision, we propose a purely frequency domain supervision approach named cross-dimensional frequency (X-Freq) loss. Specifically, based on a statistical phenomenon, we first prove that the information entropy of the time series is higher than its spectral entropy, which implies higher certainty in frequency domain and thus can provide better supervision. Secondly, the Fourier Transform and the Wavelet Transform are applied to the time dimension and the channel dimension of the time series respectively, to capture the long-term and short-term frequency variations as well as the spatial configuration features. Thirdly, the loss between predictions and targets is uniformly computed in the frequency domain. Moreover, we plug-and-play incorporate X-Freq into multiple advanced forecasting models and compare on 14 real-world datasets. The experimental results demonstrate that, without making any modification to the original architectures or hyperparameters, X-Freq can improve the forecasting performance by an average of 3.3% on long-term forecasting datasets and 27.7% on short-term ones, showcasing superior generality and practicality. The code will be released publicly.
• Abstract（参考訳）: 時系列予測は様々な分野において重要な役割を担い、周波数領域分析に基づく手法が重要な分野となっている。 しかしながら、既存のほとんどの研究は精巧なモデルアーキテクチャの設計に焦点を当てており、しばしば限られたデータセットに適合し、普遍性に欠ける。 さらに、独立分散(IID)データの仮定も時間領域ラベルの強い相関に矛盾する。 これらの問題に対処するため、時間領域の監督を放棄し、クロス次元周波数損失(X-Freq)と呼ばれる純粋周波数領域の監督手法を提案する。 具体的には、統計的現象に基づいて、時系列の情報エントロピーがスペクトルエントロピーよりも高いことを証明する。 次に、時系列の時間次元とチャネル次元にフーリエ変換とウェーブレット変換をそれぞれ適用し、長期および短期の周波数変動と空間構成の特徴を捉える。 第3に、予測と目標の間の損失を周波数領域で均一に計算する。 さらに、X-Freqを複数の高度な予測モデルにプラグインし、14の実世界のデータセットと比較する。 実験の結果、元のアーキテクチャやハイパーパラメータを変更することなく、X-Freqは予測性能を長期予測データセットで平均3.3%、短期予測で27.7%改善し、より優れた一般性と実用性を示すことが示された。 コードは公開されます。

関連論文リスト

• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• 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)
• Not All Frequencies Are Created Equal:Towards a Dynamic Fusion of Frequencies in Time-Series Forecasting [9.615808695919647]
  時系列予測手法は、異なるシナリオに適用する場合、柔軟であるべきです。 本稿では、各フーリエ成分を個別に予測し、異なる周波数の出力を動的に融合する周波数動的融合(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-07-17T08:54:41Z)
• 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)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。