論文の概要: Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2508.01971v1
• Date: Mon, 04 Aug 2025 01:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.138457
• Title: Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: 不規則な多変量時系列予測のためのキャノニカル事前アライメント
• Authors: Ziyu Zhou, Yiming Huang, Yanyun Wang, Yuankai Wu, James Kwok, Yuxuan Liang,
• Abstract要約: IMTS予測のためのCanonical Pre-Alignment(CPA)に基づくコンパクトアーキテクチャであるKAFNetを提案する。 KAFNetは7.2$times$パラメータ削減と8.4$times$トレーニング推論アクセラレーションによって最先端の予測性能を達成する。
• 参考スコア（独自算出の注目度）: 17.046106977768215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular multivariate time series (IMTS), characterized by uneven sampling and inter-variate asynchrony, fuel many forecasting applications yet remain challenging to model efficiently. Canonical Pre-Alignment (CPA) has been widely adopted in IMTS modeling by padding zeros at every global timestamp, thereby alleviating inter-variate asynchrony and unifying the series length, but its dense zero-padding inflates the pre-aligned series length, especially when numerous variates are present, causing prohibitive compute overhead. Recent graph-based models with patching strategies sidestep CPA, but their local message passing struggles to capture global inter-variate correlations. Therefore, we posit that CPA should be retained, with the pre-aligned series properly handled by the model, enabling it to outperform state-of-the-art graph-based baselines that sidestep CPA. Technically, we propose KAFNet, a compact architecture grounded in CPA for IMTS forecasting that couples (1) Pre-Convolution module for sequence smoothing and sparsity mitigation, (2) Temporal Kernel Aggregation module for learnable compression and modeling of intra-series irregularity, and (3) Frequency Linear Attention blocks for the low-cost inter-series correlations modeling in the frequency domain. Experiments on multiple IMTS datasets show that KAFNet achieves state-of-the-art forecasting performance, with a 7.2$\times$ parameter reduction and a 8.4$\times$ training-inference acceleration.
• Abstract（参考訳）: 不規則な多変量時系列(IMTS)は、不均一サンプリングと変量同期によって特徴づけられるが、多くの予測応用を効果的にモデル化することは依然として困難である。 カノニカル・プレアライメント(CPA)は、各グローバルタイムスタンプでゼロをパディングすることで、変数間の非同期性を緩和し、系列長を統一することでIMTSモデリングにおいて広く採用されているが、その密集したゼロパディングは、特に多数の変数が存在する場合、前列長を膨張させ、計算オーバーヘッドを禁止している。 パッチ方式による最近のグラフベースモデルでは,CPAを左右する傾向にあるが,その局所的なメッセージパッシングは,グローバルな変量間相関を捉えるのに苦慮している。 したがって、CPAはモデルによって適切に処理され、CPAをサイドステップとする最先端のグラフベースのベースラインよりも優れたパフォーマンスが得られるように、CPAを維持すべきであると仮定する。 技術的には,(1)シーケンススムーシングとスパシティ緩和のための事前畳み込みモジュール,(2)シーケンス内不規則性の学習およびモデル化のためのテンポラルカーネルアグリゲーションモジュール,(3)周波数領域における低コストなシリーズ間相関モデリングのための周波数線形アテンションブロックを提案する。 複数のIMTSデータセットの実験によると、KAFNetは7.2$\times$パラメータ削減と8.4$\times$トレーニング推論アクセラレーションによって最先端の予測性能を達成する。

関連論文リスト

• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline [12.66709671516384]
  本稿では,汎用的で効率的な予測フレームワークであるAPNを紹介する。 APNの中核には、新しい Time-Aware Patch Aggregation (ATAPA) モジュールがある。 パッチ表現をタイムアウェアな重み付けで計算し、すべての生の観察を集約する。 このアプローチは、人工的なデータポイントの導入を回避し、設計による完全な情報カバレッジを確保することによって、データの忠実性を維持する。
  論文  参考訳（メタデータ） (2025-05-16T13:42:00Z)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
  本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。 実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
  論文  参考訳（メタデータ） (2025-04-24T20:05:33Z)
• A Compact Model for Large-Scale Time Series Forecasting [34.03281105180512]
  我々は,超コンパクトな形状のバンクコンポーネントとクロス周期予測モジュールを統合したUltraSTFを提案する。 本モデルは,形状バンク成分の注意機構を用いて時系列の繰り返しパターンを効果的に検出する。 UltraSTFはLargeSTベンチマークで最先端のパフォーマンスを達成し、第2のベストアプローチで要求されるパラメータの0.2%未満を採用できる。
  論文  参考訳（メタデータ） (2025-02-28T01:35:51Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。