論文の概要: FAF: A Feature-Adaptive Framework for Few-Shot Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2506.19567v1
• Date: Tue, 24 Jun 2025 12:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.621609
• Title: FAF: A Feature-Adaptive Framework for Few-Shot Time Series Forecasting
• Title（参考訳）: FAF:Few-Shot Time Series Forecastingのための機能適応フレームワーク
• Authors: Pengpeng Ouyang, Dong Chen, Tong Yang, Shuo Feng, Zhao Jin, Mingliang Xu,
• Abstract要約: FAF(Feature-Adaptive Time Series Forecasting Framework)を提案する。 FAFは、GKM(Generalized Knowledge Module)、TSM(Task-Specific Module)、RM( Rank Module)の3つの重要なコンポーネントで構成されている。 実世界の5つの異なる実世界のFAFを,数ショットの時系列予測設定で評価した。
• 参考スコア（独自算出の注目度）: 33.21739905339563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task and few-shot time series forecasting tasks are commonly encountered in scenarios such as the launch of new products in different cities. However, traditional time series forecasting methods suffer from insufficient historical data, which stems from a disregard for the generalized and specific features among different tasks. For the aforementioned challenges, we propose the Feature-Adaptive Time Series Forecasting Framework (FAF), which consists of three key components: the Generalized Knowledge Module (GKM), the Task-Specific Module (TSM), and the Rank Module (RM). During training phase, the GKM is updated through a meta-learning mechanism that enables the model to extract generalized features across related tasks. Meanwhile, the TSM is trained to capture diverse local dynamics through multiple functional regions, each of which learns specific features from individual tasks. During testing phase, the RM dynamically selects the most relevant functional region from the TSM based on input sequence features, which is then combined with the generalized knowledge learned by the GKM to generate accurate forecasts. This design enables FAF to achieve robust and personalized forecasting even with sparse historical observations We evaluate FAF on five diverse real-world datasets under few-shot time series forecasting settings. Experimental results demonstrate that FAF consistently outperforms baselines that include three categories of time series forecasting methods. In particular, FAF achieves a 41.81\% improvement over the best baseline, iTransformer, on the CO$_2$ emissions dataset.
• Abstract（参考訳）: マルチタスクと数ショットの時系列予測タスクは、さまざまな都市で新製品のローンチのようなシナリオで一般的に発生する。 しかし、従来の時系列予測手法は、様々なタスクにおける一般化された特定の特徴を無視することによる、不十分な履歴データに悩まされている。 上記の課題に対して、一般知識モジュール(GKM)、タスク特化モジュール(TSM)、ランクモジュール(RM)の3つの主要なコンポーネントからなる特徴適応時系列予測フレームワーク(FAF)を提案する。 トレーニングフェーズでは、GKMはメタ学習機構を通じて更新され、モデルが関連するタスク間で一般化された特徴を抽出することができる。 一方、TSMは、複数の機能領域を通して様々な局所的ダイナミクスを捉え、それぞれが個々のタスクから特定の特徴を学習するように訓練されている。 テストフェーズの間、RMは入力シーケンスの特徴に基づいてTSMから最も関連性の高い機能領域を動的に選択し、GKMが学習した一般化知識と組み合わせて正確な予測を生成する。 この設計により、FAFは、微少な歴史的観測でも堅牢でパーソナライズされた予測を達成できる。 実験の結果,AFFは時系列予測手法の3つのカテゴリを含むベースラインを一貫して上回っていることがわかった。 特にAFFは、CO$_2$エミッションデータセット上で、最高のベースラインであるiTransformerよりも41.81\%改善されている。

関連論文リスト

• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• TimesBERT: A BERT-Style Foundation Model for Time Series Understanding [72.64824086839631]
  GPTスタイルのモデルは時系列予測の基礎モデルとして位置づけられている。 BERTスタイルのアーキテクチャは時系列理解のために完全にアンロックされていない。 時系列の汎用表現を学ぶために TimesBERT を設計する。 私たちのモデルは、さまざまなドメインにまたがる2600億のタイムポイントで事前トレーニングされています。
  論文  参考訳（メタデータ） (2025-02-28T17:14:44Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• TSFM-Bench: A Comprehensive and Unified Benchmark of Foundation Models for Time Series Forecasting [35.505530132151]
  時系列予測(TSF)は、金融投資、気象サービス、エネルギー管理など、多くの分野で重要な機能である。 多くのTSFメソッドはドメイン固有のデータ収集とモデルトレーニングを必要とし、他のドメインに適用してもうまく一般化しない。 大規模な異種時系列データに基づいて事前訓練された時系列基礎モデル(TSFM)は、これらの制限を克服することを目的としている。
  論文  参考訳（メタデータ） (2024-10-15T17:23:49Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Foundation Models for Time Series Analysis: A Tutorial and Survey [70.43311272903334]
  ファンデーションモデル(FM)は、時系列分析のためのモデル設計のパラダイムを根本的に変えてきた。 本調査は,時系列解析のためのFMの概要を包括的かつ最新のものにすることを目的としている。
  論文  参考訳（メタデータ） (2024-03-21T10:08:37Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)

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。