論文の概要: T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion

• arxiv url: http://arxiv.org/abs/2508.04251v1
• Date: Wed, 06 Aug 2025 09:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.656962
• Title: T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion
• Title（参考訳）: T3Time: 適応型マルチヘッドアライメントと残留核融合による3モード時系列予測
• Authors: Abdul Monaf Chowdhury, Rabeya Akter, Safaeid Hossain Arib,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.4915744683251151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting (MTSF) seeks to model temporal dynamics among variables to predict future trends. Transformer-based models and large language models (LLMs) have shown promise due to their ability to capture long-range dependencies and patterns. However, current methods often rely on rigid inductive biases, ignore intervariable interactions, or apply static fusion strategies that limit adaptability across forecast horizons. These limitations create bottlenecks in capturing nuanced, horizon-specific relationships in time-series data. To solve this problem, we propose T3Time, a novel trimodal framework consisting of time, spectral, and prompt branches, where the dedicated frequency encoding branch captures the periodic structures along with a gating mechanism that learns prioritization between temporal and spectral features based on the prediction horizon. We also proposed a mechanism which adaptively aggregates multiple cross-modal alignment heads by dynamically weighting the importance of each head based on the features. Extensive experiments on benchmark datasets demonstrate that our model consistently outperforms state-of-the-art baselines, achieving an average reduction of 3.28% in MSE and 2.29% in MAE. Furthermore, it shows strong generalization in few-shot learning settings: with 5% training data, we see a reduction in MSE and MAE by 4.13% and 1.91%, respectively; and with 10% data, by 3.62% and 1.98% on average. Code - https://github.com/monaf-chowdhury/T3Time/
• Abstract（参考訳）: 多変量時系列予測(MTSF)は、変数間の時間的ダイナミクスをモデル化し、将来のトレンドを予測する。 トランスフォーマーベースのモデルと大きな言語モデル(LLM)は、長距離の依存関係やパターンをキャプチャする能力によって、将来性を示している。 しかし、現在の手法は、しばしば厳密な帰納バイアスに頼り、相互変数の相互作用を無視したり、予測地平線を越えた適応性を制限する静的融合戦略を適用したりする。 これらの制限は、時系列データにおけるニュアンス付き、地平線固有の関係をキャプチャするボトルネックを引き起こす。 この問題を解決するために,時間・スペクトル・プロンプト分岐からなる新しい三モーダルフレームワークであるT3Timeを提案し,予測地平線に基づく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ゲーティング機構とともに,専用周波数符号化分岐が周期構造をキャプチャする。 また,特徴量に基づいて各頭部の重要性を動的に重み付けすることで,複数のモード間アライメントヘッドを適応的に集約する機構も提案した。 ベンチマークデータセットの大規模な実験により、我々のモデルは最先端のベースラインを一貫して上回り、平均3.28%のMSEと2.29%のMAEを実現している。 5%のトレーニングデータでは、MSEとMAEのそれぞれ4.13%と1.91%が減少し、10%のデータでは平均3.62%と1.98%が減少している。 コード - https://github.com/monaf-chowdhury/T3Time/

関連論文リスト

• VisionTS++: Cross-Modal Time Series Foundation Model with Continual Pre-trained Visual Backbones [27.97547118858576]
  大規模時系列データセット上で連続的な事前学習を行うビジョンモデルに基づくTSFMであるVisionTS++を提案する。 本研究は,クロスモーダルな知識伝達のための新たなパラダイムを確立し,汎用TSFMの開発を推進している。
  論文  参考訳（メタデータ） (2025-08-06T12:17:09Z)
• PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
  PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
  論文  参考訳（メタデータ） (2025-02-27T22:21:27Z)
• TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification [13.110156202816112]
  シフト等分散のような特性を持つパターンを捉えるための新しい多視点手法を提案する。 提案手法は, スペクトル, 時間, 局所, グローバルな特徴を含む多様な特徴を統合して, TSCのリッチで相補的な文脈を得る。 提案手法では,TSCモデルよりも平均精度が4.01-6.45%,7.93%向上した。
  論文  参考訳（メタデータ） (2024-06-06T18:05:10Z)
• 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)
• FCDNet: Frequency-Guided Complementary Dependency Modeling for Multivariate Time-Series Forecasting [9.083469629116784]
  時系列予測のための簡潔で効果的なフレームワークであるFCDNetを提案する。 多レベル周波数パターンから長期的および短期的依存情報を適応的に抽出する。 実験の結果、FCDNetは強いベースラインをはるかに超えることがわかった。
  論文  参考訳（メタデータ） (2023-12-27T07:29:52Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• PatchMixer: A Patch-Mixing Architecture for Long-Term Time Series Forecasting [3.7244649185886978]
  本稿では,新しいCNNモデルであるPatchMixerを提案する。 時間的情報を保存するために、置換不変な畳み込み構造を導入する。 最先端のCNNと比べれば、PatchMixerは3.9%、相対的な改善は21.2%である。
  論文  参考訳（メタデータ） (2023-10-01T12:47:59Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• 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)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。