Fugu-MT 論文翻訳(概要): KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting

論文の概要: KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting

arxiv url: http://arxiv.org/abs/2508.00635v2
Date: Wed, 06 Aug 2025 08:08:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 13:27:10.351097
Title: KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting
Title（参考訳）: KFS: Kanを用いた長期時系列予測のための適応周波数選択学習アーキテクチャ
Authors: Changning Wu, Gao Wu, Rongyao Cai, Yong Liu, Kexin Zhang,
Abstract要約: そこで我々は,これらの課題に対処するために,KAを用いた適応周波数選択学習アーキテクチャ(KFS)を提案する。このフレームワークは、クロススケールノイズ干渉と複雑なパターンモデリングから生じる予測問題に対処する。複数の実世界の時系列データセットにまたがる実験により、KTは単純で効果的なアーキテクチャとして最先端のパフォーマンスを達成することを示した。
参考スコア（独自算出の注目度）: 8.839783121363835
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Multi-scale decomposition architectures have emerged as predominant methodologies in time series forecasting. However, real-world time series exhibit noise interference across different scales, while heterogeneous information distribution among frequency components at varying scales leads to suboptimal multi-scale representation. Inspired by Kolmogorov-Arnold Networks (KAN) and Parseval's theorem, we propose a KAN based adaptive Frequency Selection learning architecture (KFS) to address these challenges. This framework tackles prediction challenges stemming from cross-scale noise interference and complex pattern modeling through its FreK module, which performs energy-distribution-based dominant frequency selection in the spectral domain. Simultaneously, KAN enables sophisticated pattern representation while timestamp embedding alignment synchronizes temporal representations across scales. The feature mixing module then fuses scale-specific patterns with aligned temporal features. Extensive experiments across multiple real-world time series datasets demonstrate that KT achieves state-of-the-art performance as a simple yet effective architecture.
Abstract（参考訳）: 時系列予測における主要な手法として,マルチスケールの分解アーキテクチャが出現している。しかし、実世界の時系列は、異なるスケールにわたるノイズ干渉を示す一方、異なるスケールでの周波数成分間の異種情報分布は、準最適マルチスケール表現をもたらす。 Kolmogorov-Arnold Networks (KAN) とParsevalの定理にインスパイアされた我々は、これらの課題に対処するために Kan ベースの適応周波数選択学習アーキテクチャ (KFS) を提案する。このフレームワークは、スペクトル領域におけるエネルギー分布に基づく支配周波数選択を行うFreKモジュールを通じて、クロススケールノイズ干渉と複雑なパターンモデリングから生じる予測課題に対処する。同時にkanは高度なパターン表現を可能にし、タイムスタンプの埋め込みアライメントはスケール間で時間的表現を同期させる。フィーチャーミキシングモジュールは、その後、スケール固有のパターンと、整列した時間的特徴を融合する。複数の実世界の時系列データセットにわたる大規模な実験は、KTが単純で効果的なアーキテクチャとして最先端のパフォーマンスを達成することを示した。

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)
FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
論文参考訳（メタデータ） (2025-05-29T07:18:28Z)
Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2025-05-25T12:23:10Z)
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)
FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
本稿では,潜時拡散モデルにおける周波数制御について検討する。本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
論文参考訳（メタデータ） (2025-04-02T22:03:11Z)
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)
TimeKAN: KAN-based Frequency Decomposition Learning Architecture for Long-term Time Series Forecasting [15.333859971089236]
複数の周波数混在に起因する複雑な予測問題に対処するために,kan-based Frequency Decomposition Learning Architecture (TimeKAN)を提案する。 TimeKANは主に、カスケード周波数分解(CFD)ブロック、M-KAN(Multi-order Kan Representation Learning)ブロック、周波数混合ブロックの3つのコンポーネントで構成されている。
論文参考訳（メタデータ） (2025-02-10T03:51:26Z)
MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting [18.815152183468673]
時系列予測は多くの分野において重要であるが、現在のディープラーニングモデルはノイズやデータの分散、複雑なパターンのキャプチャに苦労している。本稿では,コントラスト学習とマルチスケール特徴抽出を組み合わせることで,これらの課題に対処する新しいフレームワークであるMFF-FTNetを提案する。 5つの実世界のデータセットに対する大規模な実験は、MFF-FTNetが最先端のモデルを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2024-11-26T12:41:42Z)
DCSF: Deep Convolutional Set Functions for Classification of Asynchronous Time Series [5.339109578928972]
非同期時系列(Asynchronous Time Series)は、すべてのチャンネルが非同期に独立して観察される時系列である。本稿では,非同期時系列分類タスクにおいて,高度にスケーラブルでメモリ効率のよい新しいフレームワークを提案する。我々は、定期的にサンプリングされ、完全に観測される時系列の、密接に関連する問題分類のためによく研究されている畳み込みニューラルネットワークを探索する。
論文参考訳（メタデータ） (2022-08-24T08:47:36Z)
Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。