論文の概要: Fourier Basis Mapping: A Time-Frequency Learning Framework for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2507.09445v1
• Date: Sun, 13 Jul 2025 01:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.259017
• Title: Fourier Basis Mapping: A Time-Frequency Learning Framework for Time Series Forecasting
• Title（参考訳）: Fourier Basis Mapping: 時系列予測のための時系列学習フレームワーク
• Authors: Runze Yang, Longbing Cao, Xin You, Kun Fang, Jianxun Li, Jie Yang,
• Abstract要約: 本稿では,時間周波数空間におけるフーリエ基底展開とマッピングによる時間周波数特徴の統合手法を提案する。 本手法は時間的特性を保ちながら明確な周波数特徴を抽出する。 結果は、長期および短期の予測タスクにおいて、多様な実世界のデータセットで検証される。
• 参考スコア（独自算出の注目度）: 25.304812011127257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Fourier transform and deep learning opens new avenues for time series forecasting. We reconsider the Fourier transform from a basis functions perspective. Specifically, the real and imaginary parts of the frequency components can be regarded as the coefficients of cosine and sine basis functions at tiered frequency levels, respectively. We find that existing Fourier-based methods face inconsistent starting cycles and inconsistent series length issues. They fail to interpret frequency components precisely and overlook temporal information. Accordingly, the novel Fourier Basis Mapping (FBM) method addresses these issues by integrating time-frequency features through Fourier basis expansion and mapping in the time-frequency space. Our approach extracts explicit frequency features while preserving temporal characteristics. FBM supports plug-and-play integration with various types of neural networks by only adjusting the first initial projection layer for better performance. First, we propose FBM-L, FBM-NL, and FBM-NP to enhance linear, MLP-based, and Transformer-based models, respectively, demonstrating the effectiveness of time-frequency features. Next, we propose a synergetic model architecture, termed FBM-S, which decomposes the seasonal, trend, and interaction effects into three separate blocks, each designed to model time-frequency features in a specialized manner. Finally, we introduce several techniques tailored for time-frequency features, including interaction masking, centralization, patching, rolling window projection, and multi-scale down-sampling. The results are validated on diverse real-world datasets for both long-term and short-term forecasting tasks with SOTA performance.
• Abstract（参考訳）: フーリエ変換とディープラーニングの統合は、時系列予測の新しい道を開く。 基本関数の観点からフーリエ変換を再考する。 具体的には、周波数成分の実部と虚部は、それぞれ結合周波数レベルのコサイン基底関数と正弦基底関数の係数とみなすことができる。 既存のフーリエ法では始点サイクルの不整合や連続長問題に直面する。 周波数成分を正確に解釈できず、時間的情報を見落としている。 したがって、新しいフーリエ基底写像(FBM)法は、時間周波数空間におけるフーリエ基底展開とマッピングを通じて時間周波数特徴を統合することでこれらの問題に対処する。 本手法は時間的特性を保ちながら明らかな周波数特徴を抽出する。 FBMは、パフォーマンス向上のために最初の初期プロジェクション層を調整するだけで、さまざまなタイプのニューラルネットワークとのプラグアンドプレイ統合をサポートする。 まず,FBM-L,FBM-NL,FBM-NPを提案する。 次に, 季節, 傾向, 相互作用効果を3つのブロックに分解し, 時間周波数の特徴を特殊的にモデル化する合成モデルアーキテクチャFBM-Sを提案する。 最後に,対話マスキング,集中化,パッチング,ローリングウインドウプロジェクション,マルチスケールダウンサンプリングなど,時間周波数特性に適したいくつかの手法を紹介する。 結果は,SOTA性能の長期および短期予測タスクにおいて,多様な実世界のデータセット上で検証される。

関連論文リスト

• FB-Diff: Fourier Basis-guided Diffusion for Temporal Interpolation of 4D Medical Imaging [38.70420710947938]
  4次元医用画像の時間的課題は,呼吸運動モデリングの臨床的実践において重要な役割を担っている。 本稿ではFB-Diffと呼ばれるフーリエ基底誘導拡散モデルを提案する。 本稿では,FB-Diffが時間的整合性を向上しつつ,将来性のある再建指標を維持しながら,最先端の指標を実現することを示す。
  論文  参考訳（メタデータ） (2025-07-06T21:39:48Z)
• TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting [5.032613143415414]
  本稿では,TimeMixer に基づく時系列予測のためのディープラーニングモデル TimeCF を提案する。 TimeCFは、オリジナルの時系列を異なるスケールのシーケンスに分解する。 異なるスケールはFeed-Forward Networkを通じて集約される。
  論文  参考訳（メタデータ） (2025-05-23T06:39:20Z)
• 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)
• Neural Fourier Modelling: A Highly Compact Approach to Time-Series Analysis [9.969451740838418]
  時系列解析のためのコンパクトで強力なソリューションであるニューラルフーリエモデリング(NFM)を導入する。 NFM はフーリエ変換 (FT) の2つの重要な性質 (i) 有限長時系列をフーリエ領域の関数としてモデル化する能力 (ii) フーリエ領域内のデータ操作の能力 (ii) に基礎を置いている。 NFMは幅広いタスクで最先端のパフォーマンスを達成しており、テスト時にこれまで見つからなかったサンプリングレートを持つ時系列シナリオに挑戦する。
  論文  参考訳（メタデータ） (2024-10-07T02:39:55Z)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Deep Fourier Up-Sampling [100.59885545206744]
  フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。 これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
  論文  参考訳（メタデータ） (2022-10-11T06:17:31Z)
• Fourier Disentangled Space-Time Attention for Aerial Video Recognition [54.80846279175762]
  本稿では,UAVビデオ行動認識のためのFAR(Fourier Activity Recognition)アルゴリズムを提案する。 我々の定式化は、人間のエージェントを背景から自然に分離するために、新しいフーリエオブジェクト・ディコンタングルメント法を用いています。 我々はUAV Human RGB、UAV Human Night、Drone Action、NEC Droneを含む複数のUAVデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-03-21T01:24:53Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)

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。