Fugu-MT 論文翻訳(概要): Towards Robust Real-World Multivariate Time Series Forecasting: A Unified Framework for Dependency, Asynchrony, and Missingness

論文の概要: Towards Robust Real-World Multivariate Time Series Forecasting: A Unified Framework for Dependency, Asynchrony, and Missingness

arxiv url: http://arxiv.org/abs/2506.08660v1
Date: Tue, 10 Jun 2025 10:21:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-11 15:11:42.276807
Title: Towards Robust Real-World Multivariate Time Series Forecasting: A Unified Framework for Dependency, Asynchrony, and Missingness
Title（参考訳）: 実世界の多変量時系列予測のロバスト化に向けて:依存性、非同期性、欠如を統一したフレームワーク
Authors: Jinkwan Jang, Hyungjin Park, Jinmyeong Choi, Taesup Kim,
Abstract要約: 本稿では,トランスフォーマーに基づく予測モデルであるChannelTokenFormerを提案する。実践的な設定を反映するように修正された3つのベンチマークデータセットと1つの実世界の産業データセットの実験は、ChannelTokenFormerの優れた堅牢性と正確性を示している。
参考スコア（独自算出の注目度）: 5.1337384597700995
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Real-world time series data are inherently multivariate, often exhibiting complex inter-channel dependencies. Each channel is typically sampled at its own period and is prone to missing values due to various practical and operational constraints. These characteristics pose fundamental challenges related to channel dependency, sampling asynchrony, and missingness, all of which must be addressed to enable robust and reliable forecasting in practical settings. However, most existing architectures are built on oversimplified assumptions, such as identical sampling periods across channels and fully observed inputs at test time, which often do not hold in real-world scenarios. To bridge this gap, we propose ChannelTokenFormer, a Transformer-based forecasting model with a flexible architecture designed to explicitly capture cross-channel interactions, accommodate channel-wise asynchronous sampling, and effectively handle missing values. Extensive experiments on three benchmark datasets modified to reflect practical settings, along with one real-world industrial dataset, demonstrate the superior robustness and accuracy of ChannelTokenFormer under challenging real-world conditions.
Abstract（参考訳）: 実世界の時系列データは本質的に多変量であり、しばしば複雑なチャネル間の依存関係を示す。それぞれのチャネルは、通常、独自の期間でサンプリングされ、様々な実用的および運用上の制約のために、値が失われやすい。これらの特徴は、チャネル依存性、サンプリング非同期、欠如に関連する根本的な課題を生じさせ、これらは全て、実用的な環境で堅牢で信頼性の高い予測を可能にするために対処する必要がある。しかし、既存のアーキテクチャのほとんどは、チャネル間の同一のサンプリング期間やテスト時の完全なインプットといった、現実のシナリオでは保持されない過度に単純化された仮定に基づいて構築されている。このギャップを埋めるため,トランスフォーマーベースの予測モデルであるChannelTokenFormerを提案する。実践的な設定を反映するように修正された3つのベンチマークデータセットに関する大規模な実験と、1つの実世界の産業データセットは、現実の状況に挑戦するChannelTokenFormerの優れた堅牢性と正確性を示している。

関連論文リスト

STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
論文参考訳（メタデータ） (2025-05-07T06:41:33Z)
Sentinel: Multi-Patch Transformer with Temporal and Channel Attention for Time Series Forecasting [48.52101281458809]
トランスフォーマーに基づく時系列予測は、シーケンシャルデータをモデル化するトランスフォーマーの能力により、近年、強い関心を集めている。チャネル次元からコンテキスト情報を抽出できるエンコーダで構成されるトランスフォーマーベースのアーキテクチャであるSentinelを提案する。マルチパッチアテンション機構を導入し、パッチ処理を利用して入力シーケンスをトランスフォーマーアーキテクチャに自然に組み込むことができるように構成する。
論文参考訳（メタデータ） (2025-03-22T06:01:50Z)
Channel Dependence, Limited Lookback Windows, and the Simplicity of Datasets: How Biased is Time Series Forecasting? [4.995289882402786]
現在の評価シナリオは、現在のデータセットの単純さに大きく偏っていることを示す。さらに,ルックバックウィンドウが適切に調整された場合,現在のモデルではチャネル間の情報フローが不要であることが強調される。我々は、CrossformerとTimeMixerのランタイムギャップを埋めるFast Channel-dependent Transformer(FaCT)を提案する。
論文参考訳（メタデータ） (2025-02-13T13:35:10Z)
TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
論文参考訳（メタデータ） (2024-09-03T22:31:57Z)
SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文参考訳（メタデータ） (2024-04-22T14:06:35Z)
From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
論文参考訳（メタデータ） (2024-03-31T02:46:27Z)
CSformer: Combining Channel Independence and Mixing for Robust Multivariate Time Series Forecasting [3.6814181034608664]
本稿では,チャネル独立戦略と時系列解析の混合手法を提案する。 CSformerは,2段階のマルチヘッド自己保持機構を備えた新しいフレームワークである。本フレームワークは,シーケンスアダプタとチャネルアダプタを効果的に組み込んで,重要な情報を識別するモデルの能力を大幅に向上させる。
論文参考訳（メタデータ） (2023-12-11T09:10:38Z)
Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-15T14:08:48Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文参考訳（メタデータ） (2023-04-11T13:15:33Z)

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。