論文の概要: CMoS: Rethinking Time Series Prediction Through the Lens of Chunk-wise Spatial Correlations

• arxiv url: http://arxiv.org/abs/2505.19090v1
• Date: Sun, 25 May 2025 11:01:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.895494
• Title: CMoS: Rethinking Time Series Prediction Through the Lens of Chunk-wise Spatial Correlations
• Title（参考訳）: CMoS: チャンクワイド空間相関レンズによる時系列予測の再考
• Authors: Haotian Si, Changhua Pei, Jianhui Li, Dan Pei, Gaogang Xie,
• Abstract要約: 超軽量時系列予測モデルであるCMoSを提案する。 CMoSは、異なる時系列チャンク間の空間的相関を直接モデル化する。
• 参考スコア（独自算出の注目度）: 13.515201493037917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in lightweight time series forecasting models suggest the inherent simplicity of time series forecasting tasks. In this paper, we present CMoS, a super-lightweight time series forecasting model. Instead of learning the embedding of the shapes, CMoS directly models the spatial correlations between different time series chunks. Additionally, we introduce a Correlation Mixing technique that enables the model to capture diverse spatial correlations with minimal parameters, and an optional Periodicity Injection technique to ensure faster convergence. Despite utilizing as low as 1% of the lightweight model DLinear's parameters count, experimental results demonstrate that CMoS outperforms existing state-of-the-art models across multiple datasets. Furthermore, the learned weights of CMoS exhibit great interpretability, providing practitioners with valuable insights into temporal structures within specific application scenarios.
• Abstract（参考訳）: 近年の軽量時系列予測モデルの進歩は、時系列予測タスクの本質的な単純さを示唆している。 本稿では,超軽量時系列予測モデルCMoSを提案する。 形状の埋め込みを学ぶ代わりに、CMoSは異なる時系列チャンク間の空間的相関を直接モデル化する。 さらに,モデルが最小パラメータで多様な空間相関を捕捉できる相関混合法と,より高速な収束を実現するためのオプションの周期注入法を導入する。 軽量モデルDLinearのパラメータの1%の低利用にもかかわらず、実験結果は、CMoSが既存の最先端モデルを複数のデータセットで上回っていることを示している。 さらに、CMoSの学習重量は高い解釈可能性を示し、特定のアプリケーションシナリオにおける時間構造に関する貴重な洞察を提供する。

関連論文リスト

• A Compact Model for Large-Scale Time Series Forecasting [34.03281105180512]
  我々は,超コンパクトな形状のバンクコンポーネントとクロス周期予測モジュールを統合したUltraSTFを提案する。 本モデルは,形状バンク成分の注意機構を用いて時系列の繰り返しパターンを効果的に検出する。 UltraSTFはLargeSTベンチマークで最先端のパフォーマンスを達成し、第2のベストアプローチで要求されるパラメータの0.2%未満を採用できる。
  論文  参考訳（メタデータ） (2025-02-28T01:35:51Z)
• xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories [20.773694998061707]
  時系列データは様々な分野に分散しており、堅牢で正確な予測モデルの開発が必要である。 我々は,時間的シーケンス,共同時間可変情報,堅牢な予測のための複数の視点を効果的に統合するモデルであるxLSTM-Mixerを紹介する。 我々は,最近の最先端手法と比較して,xLSTM-Mixerの長期予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2024-10-22T11:59:36Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Tiny Time Mixers (TTMs): Fast Pre-trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series [11.635608108358575]
  本稿では,効率的な転送学習機能を備えたコンパクトモデルであるTiny Time Mixers (TTM)について紹介する。 TTMには、適応パッチ、多様な解像度サンプリング、およびさまざまなデータセット解像度の事前トレーニングを処理するための解像度プレフィックスチューニングなどのイノベーションが含まれている。 既存のベンチマークでは0/few-shot予測(4-40%)を上回り、計算要求を大幅に削減した。
  論文  参考訳（メタデータ） (2024-01-08T15:21:21Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load Forecasting [1.1602089225841632]
  提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。 RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。 このモデルは点予測と予測間隔の両方を生成する。
  論文  参考訳（メタデータ） (2022-12-18T07:42:48Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。