論文の概要: CoIFNet: A Unified Framework for Multivariate Time Series Forecasting with Missing Values

• arxiv url: http://arxiv.org/abs/2506.13064v2
• Date: Fri, 20 Jun 2025 13:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 12:57:34.492559
• Title: CoIFNet: A Unified Framework for Multivariate Time Series Forecasting with Missing Values
• Title（参考訳）: CoIFNet: 欠落した値を持つ多変量時系列予測のための統一フレームワーク
• Authors: Kai Tang, Ji Zhang, Hua Meng, Minbo Ma, Qi Xiong, Fengmao Lv, Jie Xu, Tianrui Li,
• Abstract要約: CoIFNet(Collaborative Imputation-Forecasting Network)は、インプットと予測を統合する新しいフレームワークである。 CoIFNetは、観測値、マスクマトリックス、タイムスタンプの埋め込みを入力として、それらを逐次処理する。 提案手法の有効性と計算効率を,様々なデータ・シナリオにまたがって実証する。
• 参考スコア（独自算出の注目度）: 17.25081407284703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series forecasting (MTSF) is a critical task with broad applications in domains such as meteorology, transportation, and economics. Nevertheless, pervasive missing values caused by sensor failures or human errors significantly degrade forecasting accuracy. Prior efforts usually employ an impute-then-forecast paradigm, leading to suboptimal predictions due to error accumulation and misaligned objectives between the two stages. To address this challenge, we propose the Collaborative Imputation-Forecasting Network (CoIFNet), a novel framework that unifies imputation and forecasting to achieve robust MTSF in the presence of missing values. Specifically, CoIFNet takes the observed values, mask matrix and timestamp embeddings as input, processing them sequentially through the Cross-Timestep Fusion (CTF) and Cross-Variate Fusion (CVF) modules to capture temporal dependencies that are robust to missing values. We provide theoretical justifications on how our CoIFNet learning objective improves the performance bound of MTSF with missing values. Through extensive experiments on challenging MSTF benchmarks, we demonstrate the effectiveness and computational efficiency of our proposed approach across diverse missing-data scenarios, e.g., CoIFNet outperforms the state-of-the-art method by $\underline{\textbf{24.40}}$% ($\underline{\textbf{23.81}}$%) at a point (block) missing rate of 0.6, while improving memory and time efficiency by $\underline{\boldsymbol{4.3\times}}$ and $\underline{\boldsymbol{2.1\times}}$, respectively. Our code is available at: https://github.com/KaiTang-eng/CoIFNet.
• Abstract（参考訳）: 多変量時系列予測(MTSF)は、気象学、輸送学、経済学などの分野における幅広い応用において重要な課題である。 それでも、センサーの故障やヒューマンエラーによる広範に欠落した値は、予測精度を著しく低下させる。 事前の努力は通常、即時予測のパラダイムを採用しており、エラーの蓄積と2つのステージ間の目標の一致が原因で、最適以下の予測が導かれる。 この課題に対処するために,提案するCoIFNet(Collaborative Imputation-Forecasting Network)を提案する。 具体的には、CoIFNetは観測値、マスク行列、タイムスタンプの埋め込みを入力として、CTF(Cross-Timestep Fusion)とCVF(Cross-Variate Fusion)モジュールを通じて順次処理することで、欠落した値に対して堅牢な時間依存性をキャプチャする。 我々は,CoIFNet学習目標がMTSFの性能バウンダリを欠落値でどのように改善するかを理論的に正当化する。 挑戦的なMSTFベンチマークに関する広範な実験を通じて、提案手法の有効性と計算効率を、例えば、CoIFNetは、それぞれ$\underline{\textbf{24.40}}$%($\underline{\textbf{23.81}}$%)と$0.6で上回り、$\underline{\boldsymbol{4.3\times}}$と$\underline{\boldsymbol{2.1\times}}$でメモリと時間効率を改善する。 私たちのコードは、https://github.com/KaiTang-eng/CoIFNet.comで利用可能です。

関連論文リスト

• Hierarchical Forecast Reconciliation on Networks: A Network Flow Optimization Formulation [2.826553192869411]
  和解は、複数のアグリゲーションレベルにわたる一貫性のある予測を必要とする組織にとって不可欠である。 最小トレース(MinT)のような現在の手法は木構造に限られており、計算コストが高い。 本稿では,階層的予測整合をネットワークフロー最適化として再構成するFlowRecを紹介する。
  論文  参考訳（メタデータ） (2025-05-06T20:16:28Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection [11.846850082915084]
  時系列異常検出のためのSimAD, $textbfSim$ple dissimilarity-based approachを紹介した。 SimADには、拡張時間窓の処理に適した高度な特徴抽出器と、正規データと異常データの間の分散分散をアクセントするContrastFusionモジュールが組み込まれている。 さまざまな時系列データセットのtextbfsevenにわたる実験では、SimADが最先端のメソッドよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-18T09:37:04Z)
• DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
  我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。 遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
  論文  参考訳（メタデータ） (2024-03-25T22:49:56Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Network Calculus with Flow Prolongation -- A Feedforward FIFO Analysis enabled by ML [73.11023209243326]
  Flow Prolongation (FP) は遅延境界精度を大幅に改善することが示されている。 本稿では,機械学習を用いて拡張を予測することによって,FPをスケールするアプローチであるDeepFPを紹介する。 DeepFPは計算コストを無視して平均12.1%削減する。
  論文  参考訳（メタデータ） (2022-02-07T08:46:47Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)

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。