Fugu-MT 論文翻訳(概要): Frequency-Constrained Learning for Long-Term Forecasting

論文の概要: Frequency-Constrained Learning for Long-Term Forecasting

arxiv url: http://arxiv.org/abs/2508.01508v1
Date: Sat, 02 Aug 2025 22:12:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:21.912525
Title: Frequency-Constrained Learning for Long-Term Forecasting
Title（参考訳）: 長期予測のための周波数制約学習
Authors: Menglin Kong, Vincent Zhihao Zheng, Lijun Sun,
Abstract要約: 実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
参考スコア（独自算出の注目度）: 15.31488551912888
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many real-world time series exhibit strong periodic structures arising from physical laws, human routines, or seasonal cycles. However, modern deep forecasting models often fail to capture these recurring patterns due to spectral bias and a lack of frequency-aware inductive priors. Motivated by this gap, we propose a simple yet effective method that enhances long-term forecasting by explicitly modeling periodicity through spectral initialization and frequency-constrained optimization. Specifically, we extract dominant low-frequency components via Fast Fourier Transform (FFT)-guided coordinate descent, initialize sinusoidal embeddings with these components, and employ a two-speed learning schedule to preserve meaningful frequency structure during training. Our approach is model-agnostic and integrates seamlessly into existing Transformer-based architectures. Extensive experiments across diverse real-world benchmarks demonstrate consistent performance gains--particularly at long horizons--highlighting the benefits of injecting spectral priors into deep temporal models for robust and interpretable long-range forecasting. Moreover, on synthetic data, our method accurately recovers ground-truth frequencies, further validating its interpretability and effectiveness in capturing latent periodic patterns.
Abstract（参考訳）: 多くの実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。しかし、現代の深層予測モデルは、スペクトルバイアスと周波数認識誘導前兆の欠如により、しばしばこれらの繰り返しパターンを捉えることができない。そこで本研究では,スペクトル初期化と周波数制約最適化により,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。具体的には、Fast Fourier Transform (FFT)誘導座標降下による支配的な低周波成分を抽出し、これらの成分との正弦波埋め込みを初期化し、トレーニング中に有意な周波数構造を保持するために2速学習スケジュールを用いる。我々のアプローチはモデルに依存しず、既存のTransformerベースのアーキテクチャとシームレスに統合します。様々な実世界のベンチマークにわたる広範囲な実験は、特に長い地平線において、堅牢で解釈可能な長距離予測のための深部時間モデルにスペクトル事前を注入する利点を浮き彫りにしている。さらに, 合成データを用いて, 地下構造周波数を精度良く復元し, 潜時周期パターンの解釈性と有効性を検証した。

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)
Learning Robust Spectral Dynamics for Temporal Domain Generalization [35.98513351187109]
時間的ドメイン一般化は、進化するドメインをまたいだモデル一般化を可能にすることを目指している。本稿では,パラメータ軌跡の周波数領域解析により,これらの課題に対処するFreKooを紹介する。 FreKooは、複雑なドリフトと不確実性を備えた現実世界のストリーミングシナリオに優れています。
論文参考訳（メタデータ） (2025-05-19T00:38:18Z)
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)
FreEformer: Frequency Enhanced Transformer for Multivariate Time Series Forecasting [17.738942892605234]
本稿は,textbfFrequency textbfEnhanced Transtextbfformerを利用した,シンプルで効果的なモデルである textbfFreEformerを提案する。実験により、FreEformerは18の現実世界のベンチマークで最先端のモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-01-23T08:53:45Z)
Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文参考訳（メタデータ） (2024-12-06T18:22:59Z)
Introducing Spectral Attention for Long-Range Dependency in Time Series Forecasting [36.577411683455786]
最近の線形および変圧器ベースの予測器は時系列予測において優れた性能を示している。時系列データにおける長距離依存関係を効果的に扱うことができないという点で制約されている。本稿では,試料間の時間的相関を保った高速かつ効果的なスペクトル注意機構を提案する。
論文参考訳（メタデータ） (2024-10-28T06:17:20Z)
FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
論文参考訳（メタデータ） (2024-05-22T02:37:02Z)
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文参考訳（メタデータ） (2024-01-22T13:15:40Z)
Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
論文参考訳（メタデータ） (2023-11-10T17:05:13Z)
Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting [101.5022396668152]
スペクトル時間グラフニューラルネットワークは、ほとんどの時系列予測モデルの基礎となる、有望な抽象化である。我々は、スペクトル時間GNNの表現力を高める理論的枠組みを確立する。本研究は,GNNをベースとした時系列モデルにおいて,より広範に表現可能なGNNモデルを考案するための道筋をたどるものである。
論文参考訳（メタデータ） (2023-05-11T05:56:38Z)
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)

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。