論文の概要: pyFAST: A Modular PyTorch Framework for Time Series Modeling with Multi-source and Sparse Data

• arxiv url: http://arxiv.org/abs/2508.18891v1
• Date: Tue, 26 Aug 2025 10:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.795395
• Title: pyFAST: A Modular PyTorch Framework for Time Series Modeling with Multi-source and Sparse Data
• Title（参考訳）: pyFAST:マルチソースとスパースデータによる時系列モデリングのためのモジュール型PyTorchフレームワーク
• Authors: Zhijin Wang, Senzhen Wu, Yue Hu, Xiufeng Liu,
• Abstract要約: pyFASTは時系列分析のための研究指向のPyTorchフレームワークである。 データエンジンは複雑なシナリオのために設計されており、マルチソースローディング、タンパク質配列処理、効率的なシーケンスおよびパッチレベルのパディング、動的正規化、マスクベースのモデリングをサポートする。 GitHubでMITライセンスでリリースされているpyFASTは、時系列の研究とアプリケーションを進めるための、コンパクトだが強力なプラットフォームを提供する。
• 参考スコア（独自算出の注目度）: 10.949140998070732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern time series analysis demands frameworks that are flexible, efficient, and extensible. However, many existing Python libraries exhibit limitations in modularity and in their native support for irregular, multi-source, or sparse data. We introduce pyFAST, a research-oriented PyTorch framework that explicitly decouples data processing from model computation, fostering a cleaner separation of concerns and facilitating rapid experimentation. Its data engine is engineered for complex scenarios, supporting multi-source loading, protein sequence handling, efficient sequence- and patch-level padding, dynamic normalization, and mask-based modeling for both imputation and forecasting. pyFAST integrates LLM-inspired architectures for the alignment-free fusion of sparse data sources and offers native sparse metrics, specialized loss functions, and flexible exogenous data fusion. Training utilities include batch-based streaming aggregation for evaluation and device synergy to maximize computational efficiency. A comprehensive suite of classical and deep learning models (Linears, CNNs, RNNs, Transformers, and GNNs) is provided within a modular architecture that encourages extension. Released under the MIT license at GitHub, pyFAST provides a compact yet powerful platform for advancing time series research and applications.
• Abstract（参考訳）: 現代の時系列分析では、柔軟性、効率性、拡張性のあるフレームワークが要求される。 しかし、多くの既存のPythonライブラリはモジュラリティの制限と、不規則、マルチソース、スパースデータのネイティブサポートを示している。 pyFASTは研究指向のPyTorchフレームワークで、モデル計算からデータ処理を明示的に分離し、関心事の分離をよりきれいにし、迅速な実験を容易にする。 データエンジンは複雑なシナリオのために設計されており、マルチソースローディング、タンパク質配列処理、効率的なシーケンスとパッチレベルのパディング、動的正規化、およびインプットと予測の両方のためのマスクベースのモデリングをサポートする。 pyFASTは、スパースデータソースのアライメントのない融合のためにLLMにインスパイアされたアーキテクチャを統合し、ネイティブスパースメトリクス、特殊な損失関数、フレキシブルな外生データ融合を提供する。 トレーニングユーティリティには、評価のためのバッチベースのストリーミングアグリゲーションと、計算効率を最大化するデバイスシナジーが含まれる。 古典的およびディープラーニングモデルの包括的なスイート(Linears、CNNs、RNNs、Transformers、GNNs)は、拡張を促進するモジュールアーキテクチャ内で提供される。 GitHubでMITライセンスでリリースされているpyFASTは、時系列の研究とアプリケーションを進めるための、コンパクトだが強力なプラットフォームを提供する。

関連論文リスト

• PyLate: Flexible Training and Retrieval for Late Interaction Models [3.737581531719168]
  マルチベクタアーキテクチャをサポートするために,Sentence Transformer上に構築されたライブラリであるPyLateを紹介した。 PyLateは、効率的なインデックスのようなマルチベクタ固有の機能を提供することで、遅延相互作用モデルの研究開発と実世界の応用を加速することを目指している。 PyLateはすでに、GTE-ModernColBERTやReason-ModernColBERTなど、最先端のモデルの開発を可能にしている。
  論文  参考訳（メタデータ） (2025-08-05T15:23:40Z)
• Wolf2Pack: The AutoFusion Framework for Dynamic Parameter Fusion [4.164728134421114]
  我々は,事前学習されたチェックポイントを使わずに,マルチタスク学習のための異なるモデルパラメータを融合するフレームワークであるAutoFusionを紹介する。 我々は、よく使われるベンチマークデータセットの実験を通してAutoFusionの有効性を検証する。 私たちのフレームワークは、モデル統合のためのスケーラブルで柔軟なソリューションを提供し、将来の研究および実用的なアプリケーションのための強力なツールとして位置づけています。
  論文  参考訳（メタデータ） (2024-10-08T07:21:24Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• FlexModel: A Framework for Interpretability of Distributed Large Language Models [0.0]
  マルチGPUとマルチノード構成に分散したモデルを扱うための,合理化されたインターフェースを提供するソフトウェアパッケージであるFlexModelを紹介する。 このライブラリは既存のモデル配布ライブラリと互換性があり、PyTorchモデルをカプセル化している。 ユーザ登録可能なHookFunctionを公開して,分散モデル内部との直接的なインタラクションを容易にする。
  論文  参考訳（メタデータ） (2023-12-05T21:19:33Z)
• MatFormer: Nested Transformer for Elastic Inference [91.45687988953435]
  MatFormerは、多様なデプロイメント制約にまたがる弾性推論を提供するように設計された、新しいTransformerアーキテクチャである。 MatFormerは、標準的なTransformerモデルにネストフィードフォワードネットワーク(FFN)ブロック構造を組み込むことで、これを実現している。 8億5000万デコーダのみのMatFormer言語モデル(MatLM)により,5億2200万から8億5千万のパラメータにまたがる複数の小さなモデルを抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:14Z)
• PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series [20.491714178518155]
  PyPOTSは、データマイニングと分析のためのオープンソースのライブラリである。 5つのタスクに分類される多様なアルゴリズムに簡単にアクセスできる。 PyPOTSはPyPI、Anaconda、Dockerで利用できる。
  論文  参考訳（メタデータ） (2023-05-30T07:57:05Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Merlion: A Machine Learning Library for Time Series [73.46386700728577]
  Merlionは時系列のためのオープンソースの機械学習ライブラリである。 モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。 Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
  論文  参考訳（メタデータ） (2021-09-20T02:03:43Z)
• pyWATTS: Python Workflow Automation Tool for Time Series [0.20315704654772418]
  pyWATTSは時系列データ分析のための非シーケンスワークフロー自動化ツールである。 pyWATTSには、新しいメソッドや既存のメソッドのシームレスな統合を可能にする、明確に定義されたインターフェイスを持つモジュールが含まれている。 pyWATTSはScikit-learn、PyTorch、KerasといったPythonの機械学習ライブラリをサポートする。
  論文  参考訳（メタデータ） (2021-06-18T14:50:11Z)
• Multi-layer Optimizations for End-to-End Data Analytics [71.05611866288196]
  代替アプローチを実現するフレームワークであるIFAQ(Iterative Functional Aggregate Queries)を紹介する。 IFAQは、特徴抽出クエリと学習タスクを、IFAQのドメイン固有言語で与えられた1つのプログラムとして扱う。 IFAQ の Scala 実装が mlpack,Scikit,特殊化を数桁で上回り,線形回帰木モデルや回帰木モデルを複数の関係データセット上で処理可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-10T16:14:44Z)

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。