論文の概要: CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

• arxiv url: http://arxiv.org/abs/2505.23116v1
• Date: Thu, 29 May 2025 05:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.696923
• Title: CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables
• Title（参考訳）: CrossLinear: 外部変数による時系列予測のためのプラグインとプレイの相互相関埋め込み
• Authors: Pengfei Zhou, Yunlong Liu, Junli Liang, Qi Song, Xiangyang Li,
• Abstract要約: CrossLinearは、変数間の依存関係をモデリングする際の課題に対処する、線形ベースの新しい予測モデルである。 この軽量モジュールは、計算コストを最小限にして変数間の依存関係をキャプチャし、既存のニューラルネットワークにシームレスに統合する。 12の実世界のデータセットの実験では、CrossLinearは短期および長期の予測タスクにおいて優れたパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 20.703629642499664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting with exogenous variables is a critical emerging paradigm that presents unique challenges in modeling dependencies between variables. Traditional models often struggle to differentiate between endogenous and exogenous variables, leading to inefficiencies and overfitting. In this paper, we introduce CrossLinear, a novel Linear-based forecasting model that addresses these challenges by incorporating a plug-and-play cross-correlation embedding module. This lightweight module captures the dependencies between variables with minimal computational cost and seamlessly integrates into existing neural networks. Specifically, it captures time-invariant and direct variable dependencies while disregarding time-varying or indirect dependencies, thereby mitigating the risk of overfitting in dependency modeling and contributing to consistent performance improvements. Furthermore, CrossLinear employs patch-wise processing and a global linear head to effectively capture both short-term and long-term temporal dependencies, further improving its forecasting precision. Extensive experiments on 12 real-world datasets demonstrate that CrossLinear achieves superior performance in both short-term and long-term forecasting tasks. The ablation study underscores the effectiveness of the cross-correlation embedding module. Additionally, the generalizability of this module makes it a valuable plug-in for various forecasting tasks across different domains. Codes are available at https://github.com/mumiao2000/CrossLinear.
• Abstract（参考訳）: 外部変数による時系列予測は、変数間の依存関係をモデル化する上でユニークな課題を示す重要な新興パラダイムである。 伝統的なモデルは内因性変数と外因性変数の区別に苦慮し、非効率性と過度に適合する。 本稿では,CrossLinearを紹介する。CrossLinearは,プラグインとプレイの相互相関埋め込みモジュールを組み込むことで,これらの課題に対処する新しい線形予測モデルである。 この軽量モジュールは、計算コストを最小限にして変数間の依存関係をキャプチャし、既存のニューラルネットワークにシームレスに統合する。 具体的には、時間不変あるいは間接的な依存関係を無視しながら、時間不変および直接変数の依存関係をキャプチャし、依存関係モデリングの過度な適合のリスクを軽減し、一貫したパフォーマンス改善に寄与する。 さらに、CrossLinearはパッチワイズ処理とグローバル線形ヘッドを使用して、短期および長期の時間的依存関係を効果的にキャプチャし、予測精度をさらに向上する。 12の実世界のデータセットに対する大規模な実験は、CrossLinearが短期および長期の予測タスクの両方で優れたパフォーマンスを達成していることを示している。 アブレーション研究はクロス相関埋め込みモジュールの有効性を裏付けるものである。 さらに、このモジュールの一般化性は、異なるドメインにわたる様々な予測タスクのための貴重なプラグインとなる。 コードはhttps://github.com/mumiao2000/CrossLinear.comで公開されている。

関連論文リスト

• Enhancing Channel-Independent Time Series Forecasting via Cross-Variate Patch Embedding [1.1607669836339873]
  チャネル非依存(CI)モデルにクロスバリアントコンテキストを注入する軽量CDモジュールとして,CVPE(Cross-Variate Patch Embeddings)を提案する。 CVPEをマルチモーダルCI予測モデルであるTime-LLMに統合し,その有効性を示す。
  論文  参考訳（メタデータ） (2025-05-19T06:41:14Z)
• Accurate and Efficient Multivariate Time Series Forecasting via Offline Clustering [22.545533166145706]
  セグメンツ(FOCUS)を用いたオフラインクラスタリングによるフォアキャスタの導入 FOCUSは、長距離依存性モデリングを単純化するMTS予測の新しいアプローチである。 最先端の精度を実現し、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-05-09T02:34:06Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• 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)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。