論文の概要: TFKAN: Time-Frequency KAN for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2506.12696v1
• Date: Sun, 15 Jun 2025 02:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.702212
• Title: TFKAN: Time-Frequency KAN for Long-Term Time Series Forecasting
• Title（参考訳）: TFKAN:時系列予測のための時間周波数kan
• Authors: Xiaoyan Kui, Canwei Liu, Qinsong Li, Zhipeng Hu, Yangyang Shi, Weixin Si, Beiji Zou,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) は長期の時系列予測に非常に有効である。 我々は、時間領域と周波数領域の両方からの情報を統合するために、$textbfT$ime-$textbfF$requency Kan (TFKAN)を提案する。 実験の結果、TFKANは複数のデータセットにわたる最先端(SOTA)メソッドを一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 16.937153556835423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kolmogorov-Arnold Networks (KANs) are highly effective in long-term time series forecasting due to their ability to efficiently represent nonlinear relationships and exhibit local plasticity. However, prior research on KANs has predominantly focused on the time domain, neglecting the potential of the frequency domain. The frequency domain of time series data reveals recurring patterns and periodic behaviors, which complement the temporal information captured in the time domain. To address this gap, we explore the application of KANs in the frequency domain for long-term time series forecasting. By leveraging KANs' adaptive activation functions and their comprehensive representation of signals in the frequency domain, we can more effectively learn global dependencies and periodic patterns. To integrate information from both time and frequency domains, we propose the $\textbf{T}$ime-$\textbf{F}$requency KAN (TFKAN). TFKAN employs a dual-branch architecture that independently processes features from each domain, ensuring that the distinct characteristics of each domain are fully utilized without interference. Additionally, to account for the heterogeneity between domains, we introduce a dimension-adjustment strategy that selectively upscales only in the frequency domain, enhancing efficiency while capturing richer frequency information. Experimental results demonstrate that TFKAN consistently outperforms state-of-the-art (SOTA) methods across multiple datasets. The code is available at https://github.com/LcWave/TFKAN.
• Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN) は、非線形関係を効率的に表現し、局所的な可塑性を示す能力により、長期連続予測において非常に効果的である。 しかし、カンに関する先行研究は、周波数領域の可能性を無視して、時間領域に主に焦点をあてている。 時系列データの周波数領域は、時間領域でキャプチャされた時間情報を補完する繰り返しパターンと周期的な振舞いを明らかにする。 このギャップに対処するために、周波数領域におけるkanの長期時系列予測への応用について検討する。 kansの適応的アクティベーション関数と周波数領域における信号の包括的表現を利用することで、グローバルな依存関係や周期パターンをより効果的に学習することができる。 時間領域と周波数領域の両方からの情報を統合するために、$\textbf{T}$ime-$\textbf{F}$requency Kan (TFKAN)を提案する。 TFKANは、各ドメインから独立して機能を処理し、各ドメインの異なる特性が干渉なく完全に活用されることを保証するデュアルブランチアーキテクチャを採用している。 さらに、領域間の不均一性を考慮するために、周波数領域のみを選択的にスケールアップし、よりリッチな周波数情報を取得しながら効率を向上する次元調整戦略を導入する。 実験の結果、TFKANは複数のデータセットにわたる最先端(SOTA)メソッドを一貫して上回っていることがわかった。 コードはhttps://github.com/LcWave/TFKANで公開されている。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• FTMixer: Frequency and Time Domain Representations Fusion for Time Series Modeling [7.980240191498627]
  時系列データは、時間領域と周波数領域の両方で表すことができる。 両領域の強度を利用するために、周波数・時間領域混合器(FTMixer)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T06:31:46Z)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)
• Time Series Diffusion in the Frequency Domain [54.60573052311487]
  周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。 重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。 周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
  論文  参考訳（メタデータ） (2024-02-08T18:59:05Z)
• Long-Term Invariant Local Features via Implicit Cross-Domain Correspondences [79.21515035128832]
  我々は、様々なドメイン変更の下で、現在の最先端特徴抽出ネットワークの性能を徹底的に分析する。 我々は、新しいデータ中心方式、Implicit Cross-Domain Correspondences (iCDC)を提案する。 iCDCは複数のニューラル・ラジアンス・フィールドで同じ環境を表し、それぞれが個々の視覚領域の下にシーンを適合させる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:01Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• TFDNet: Time-Frequency Enhanced Decomposed Network for Long-term Time Series Forecasting [2.6361094144982005]
  長期の時系列予測は重要な課題であり、幅広い応用がある。 最近の手法は、1つのドメインから下位のパターンをキャプチャすることに焦点を当てている。 本稿では時間周波数拡張分解ネットワーク(TFDNet)を提案する。
  論文  参考訳（メタデータ） (2023-08-25T14:01:43Z)

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。