論文の概要: PA-RNet: Perturbation-Aware Reasoning Network for Multimodal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2508.04750v1
• Date: Wed, 06 Aug 2025 09:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.591964
• Title: PA-RNet: Perturbation-Aware Reasoning Network for Multimodal Time Series Forecasting
• Title（参考訳）: PA-RNet:マルチモーダル時系列予測のための摂動認識推論ネットワーク
• Authors: Chanjuan Liu, Shengzhi Wang, Enqiang Zhu,
• Abstract要約: 時系列予測のための堅牢なフレームワークであるPA-RNet(Perturbation-Aware Reasoning Network for Multimodal Time Series Forecasting)を提案する。 PA-RNetは最先端のベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 2.359557447960552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world applications, multimodal time series data often suffer from interference, especially in the textual modality. Existing methods for multimodal time series forecasting often neglect the inherent perturbations within textual data, where irrelevant, noisy, or ambiguous content can significantly degrade model performance, particularly when the noise exhibits varying intensity or stems from structural inconsistencies. To address this challenge, we propose PA-RNet (Perturbation-Aware Reasoning Network for Multimodal Time Series Forecasting), a robust multimodal forecasting framework. PA-RNet features a perturbation-aware projection module and a cross-modal attention mechanism to effectively separate noise from the textual embeddings while maintaining semantically meaningful representations, thereby enhancing the model's generalization ability. Theoretically, we establish the Lipschitz continuity of PA-RNet with respect to textual inputs and prove that the proposed perturbation module can reduce expected prediction error, offering strong guarantees of stability under noisy conditions. Furthermore, we introduce a textual perturbation pipeline that can be seamlessly incorporated into existing multimodal time series forecasting tasks, allowing for systematic evaluation of the model's robustness in the presence of varying levels of textual noise. Extensive experiments across diverse domains and temporal settings demonstrate that PA-RNet consistently outperforms state-of-the-art baselines.
• Abstract（参考訳）: 実世界のアプリケーションでは、マルチモーダル時系列データはしばしば干渉、特にテキストのモダリティに悩まされる。 既存のマルチモーダル時系列予測法では、無関係、うるさい、曖昧な内容がモデル性能を著しく低下させ、特にノイズが様々な強度を示す場合や構造上の矛盾から生じる場合、テキストデータ内の固有の摂動を無視することが多い。 そこで我々は,マルチモーダル時系列予測フレームワークであるPA-RNet(Perturbation-Aware Reasoning Network for Multimodal Time Series Forecasting)を提案する。 PA-RNetは摂動認識プロジェクションモジュールとクロスモーダルアテンション機構を備えており、意味的に意味のある表現を維持しながら、テキスト埋め込みからノイズを効果的に分離し、モデルの一般化能力を高める。 理論的には,テキスト入力に対するPA-RNetのリプシッツ連続性を確立し,提案した摂動モジュールが予測誤差を低減できることを示す。 さらに、既存のマルチモーダル時系列予測タスクにシームレスに組み込むことができるテキスト摂動パイプラインを導入し、様々なレベルのテキストノイズが存在する場合のモデルの頑健さを体系的に評価する。 さまざまなドメインにわたる大規模な実験と時間的設定は、PA-RNetが一貫して最先端のベースラインを上回っていることを示している。

関連論文リスト

• Long-range Modeling and Processing of Multimodal Event Sequences [6.289301948638413]
  一時的ポイントプロセス(TPP)は、非同期イベントシーケンスをモデリングするための強力なツールとして登場した。 近年のTPPはテキスト情報を扱うために拡張されているが、既存のアプローチはリッチでマルチモーダルなコンテンツを生成する能力に限られている。 本稿では,TPPを視覚的モダリティに拡張し,テキスト生成を時間・型予測とともにコア機能として位置づける新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T09:52:27Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• UniCast: A Unified Multimodal Prompting Framework for Time Series Forecasting [9.836278124939453]
  時系列予測は、ファイナンス、ヘルスケア、環境モニタリングといった分野における基本的なタスクである。 既存のモデルは、視覚やテキストなどのリッチなマルチモーダルコンテキストを無視し、実世界のシナリオで時系列データを伴って運用される。 本稿では、TSFMを拡張して時系列、視覚、テキストのモダリティを併用して予測性能を向上する、パラメータ効率の高い新しいマルチモーダルフレームワークUniCastを提案する。
  論文  参考訳（メタデータ） (2025-08-16T07:33:27Z)
• Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
  MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。 中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。 大規模な実験ではPPADの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-05-26T14:42:35Z)
• Investigating and Enhancing the Robustness of Large Multimodal Models Against Temporal Inconsistency [59.05753942719665]
  本稿では,モデルのロバスト性を評価するために,時間的ロバスト性ベンチマーク(TemRobBench)を提案する。 16のLMMを評価した結果,従来の知識やテキストの文脈に頼りすぎていることが判明した。 我々はパノラマ直接選好最適化(PanoDPO)を設計し、LMMが視覚的特徴と言語的特徴の両方を同時に取り入れることを奨励する。
  論文  参考訳（メタデータ） (2025-05-20T14:18:56Z)
• Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting [24.802227163932322]
  時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業において重要な意味を持つ。 本稿では,時系列内不整合に対応するために,観測時刻に応じて動的に重みを調整できる適応線形ネットワークを提案する。 4つのベンチマークデータセットにわたる総合的な実験は、AITの優位性を実証し、予測精度を11%改善し、既存の最先端手法と比較してランタイムを52%削減した。
  論文  参考訳（メタデータ） (2025-05-01T15:24:48Z)
• 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)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting [5.770377200028654]
  本稿では,複雑な時間パターンをモデル化するための条件記述型多項式モデリング(CDPM)フレームワークを提案する。 結合した時系列をモデル化する代わりに、CDPMはそれを傾向と季節的な要素に分解し、個別にモデル化する。 スムーズなトレンドコンポーネントに対しては、歴史的依存関係を組み込んで線形モデルを強化するモジュールが提案されている。
  論文  参考訳（メタデータ） (2024-10-17T06:20:43Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• OFTER: An Online Pipeline for Time Series Forecasting [3.9962751777898955]
  OFTERは、中規模の多変量時系列に適した時系列予測パイプラインである。 オンラインタスク用に特別に設計されており、解釈可能な出力を持ち、いくつかの最先端のアートベースラインを上回ります。 アルゴリズムの計算効率、オンラインの性質、低信号対雑音方式での運用能力により、OFTERは金融時系列問題に理想的なアプローチとなる。
  論文  参考訳（メタデータ） (2023-04-08T00:18:03Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。