Fugu-MT 論文翻訳(概要): STM3: Mixture of Multiscale Mamba for Long-Term Spatio-Temporal Time-Series Prediction

論文の概要: STM3: Mixture of Multiscale Mamba for Long-Term Spatio-Temporal Time-Series Prediction

arxiv url: http://arxiv.org/abs/2508.12247v1
Date: Sun, 17 Aug 2025 05:29:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.632691
Title: STM3: Mixture of Multiscale Mamba for Long-Term Spatio-Temporal Time-Series Prediction
Title（参考訳）: STM3:長期時空間予測のためのマルチスケールマンバの混合
Authors: Haolong Chen, Liang Zhang, Zhengyuan Xin, Guangxu Zhu,
Abstract要約: 長期的時系列は急速に発展してきたが、既存のディープラーニング手法は複雑な長期的依存関係を効率的に学習するのに苦労している。本稿では,マルチスケールのMambaアーキテクチャと適応型グラフ因果畳み込みネットワークを備えた効率的なtextittextbfSTemporal textbfMultiscale textbfMamba (STM2) を提案する。
参考スコア（独自算出の注目度）: 12.810918443757382
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, spatio-temporal time-series prediction has developed rapidly, yet existing deep learning methods struggle with learning complex long-term spatio-temporal dependencies efficiently. The long-term spatio-temporal dependency learning brings two new challenges: 1) The long-term temporal sequence includes multiscale information naturally which is hard to extract efficiently; 2) The multiscale temporal information from different nodes is highly correlated and hard to model. To address these challenges, we propose an efficient \textit{\textbf{S}patio-\textbf{T}emporal \textbf{M}ultiscale \textbf{M}amba} (STM2) that includes a multiscale Mamba architecture to capture the multiscale information efficiently and simultaneously, and an adaptive graph causal convolution network to learn the complex multiscale spatio-temporal dependency. STM2 includes hierarchical information aggregation for different-scale information that guarantees their distinguishability. To capture diverse temporal dynamics across all spatial nodes more efficiently, we further propose an enhanced version termed \textit{\textbf{S}patio-\textbf{T}emporal \textbf{M}ixture of \textbf{M}ultiscale \textbf{M}amba} (STM3) that employs a special Mixture-of-Experts architecture, including a more stable routing strategy and a causal contrastive learning strategy to enhance the scale distinguishability. We prove that STM3 has much better routing smoothness and guarantees the pattern disentanglement for each expert successfully. Extensive experiments on real-world benchmarks demonstrate STM2/STM3's superior performance, achieving state-of-the-art results in long-term spatio-temporal time-series prediction.
Abstract（参考訳）: 近年、時空間的時系列予測は急速に発展しているが、既存のディープラーニング手法では、複雑な時空間的依存関係を効率的に学習するのに苦労している。長期的時空間依存学習は2つの新しい課題をもたらす。 1) 長期的シーケンスは、自然に抽出し難いマルチスケール情報を含む。 2) 異なるノードからのマルチスケール時間情報は高い相関関係にあり, モデル化が困難である。これらの課題に対処するために、マルチスケールのMambaアーキテクチャを含む効率的な \textit{\textbf{S}patio-\textbf{T}emporal \textbf{M}ultiscale \textbf{M}amba} (STM2) と、複雑なマルチスケールの時空間依存性を学習するための適応グラフ因果畳み込みネットワークを提案する。 STM2には、識別可能性を保証する異なるスケール情報のための階層的な情報集約が含まれている。さらに,より安定なルーティング戦略と因果的コントラスト学習戦略を含む,特別なMixture-of-Expertsアーキテクチャを用いて,すべての空間ノードの時間的ダイナミクスをより効率的に捉えるために,さらに拡張されたバージョンの \textit{\textbf{S}patio-\textbf{T}emporal \textbf{M}ixture of \textbf{M}ultiscale \textbf{M}amba} (STM3)を提案する。 STM3はルーティングのスムーズさをはるかに向上させ,各専門家のパターンの絡み合いを確実にする。実世界のベンチマーク実験では、STM2/STM3の性能が向上し、長期時空間時系列予測における最先端の結果が得られた。

関連論文リスト

FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [50.438552588818]
textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
論文参考訳（メタデータ） (2025-07-07T04:09:45Z)
Multi-granular body modeling with Redundancy-Free Spatiotemporal Fusion for Text-Driven Motion Generation [10.843503146808839]
HiSTF Mambaを3つの部分からなるフレームワークとして紹介する: Dual-tial Mamba, Bi-Temporal Mamba, Spatiotemporal Fusion Module (DSFM)。 HumanML3Dベンチマークの実験では、HiSTF Mambaはいくつかの指標でよく機能し、高い忠実さとテキストとモーション間の密接なセマンティックアライメントを実現している。
論文参考訳（メタデータ） (2025-03-10T04:01:48Z)
MS-Temba : Multi-Scale Temporal Mamba for Efficient Temporal Action Detection [11.534493974662304]
未トリミングビデオにおける時間的行動検出(TAD)は、長期保存ビデオを効率的に処理できるモデルを必要とする。我々は,多スケールテンポラルマンバ (MS-Temba) を提案する。 MS-Tembaは、長期ビデオの最先端のパフォーマンスを達成し、短いセグメントで競争力を維持し、モデルの複雑さを88%削減する。
論文参考訳（メタデータ） (2025-01-10T17:52:47Z)
UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
論文参考訳（メタデータ） (2024-10-15T04:56:43Z)
SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2024-08-21T09:12:59Z)
Fine-grained Context and Multi-modal Alignment for Freehand 3D Ultrasound Reconstruction [8.558852563471525]
状態空間モデル(SSM)の長距離依存性管理機能を利用する新しい手法を提案する。まず,マルチ時間SSMによるマルチスケール空間情報のマイニングを行うReMambaを提案する。次に,複数の慣性計測単位を時間的補助情報として導入する適応型融合戦略を提案する。
論文参考訳（メタデータ） (2024-07-05T04:09:30Z)
Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
論文参考訳（メタデータ） (2024-06-06T05:27:33Z)
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)
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)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
論文参考訳（メタデータ） (2020-11-08T10:40:26Z)

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。