論文の概要: Robust Spatiotemporal Forecasting Using Adaptive Deep-Unfolded Variational Mode Decomposition

• arxiv url: http://arxiv.org/abs/2509.00703v1
• Date: Sun, 31 Aug 2025 05:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.352234
• Title: Robust Spatiotemporal Forecasting Using Adaptive Deep-Unfolded Variational Mode Decomposition
• Title（参考訳）: Adaptive Deep-Unfolded Variational Mode Decomposition を用いたロバスト時空間予測
• Authors: Osama Ahmad, Lukas Wesemann, Fabian Waschkowski, Zubair Khalid,
• Abstract要約: 繰り返し変動モード分解(VMD)をトレーニング可能なニューラルモジュールに変換するモード適応グラフネットワーク(MAGN)を提案する。 MAGNはVMGCNの予測誤差を85-95%削減し、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）: 5.051479601203117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate spatiotemporal forecasting is critical for numerous complex systems but remains challenging due to complex volatility patterns and spectral entanglement in conventional graph neural networks (GNNs). While decomposition-integrated approaches like variational mode graph convolutional network (VMGCN) improve accuracy through signal decomposition, they suffer from computational inefficiency and manual hyperparameter tuning. To address these limitations, we propose the mode adaptive graph network (MAGN) that transforms iterative variational mode decomposition (VMD) into a trainable neural module. Our key innovations include (1) an unfolded VMD (UVMD) module that replaces iterative optimization with a fixed-depth network to reduce the decomposition time (by 250x for the LargeST benchmark), and (2) mode-specific learnable bandwidth constraints ({\alpha}k ) adapt spatial heterogeneity and eliminate manual tuning while preventing spectral overlap. Evaluated on the LargeST benchmark (6,902 sensors, 241M observations), MAGN achieves an 85-95% reduction in the prediction error over VMGCN and outperforms state-of-the-art baselines.
• Abstract（参考訳）: 正確な時空間予測は多くの複雑なシステムにおいて重要であるが、従来のグラフニューラルネットワーク(GNN)における複雑なボラティリティパターンとスペクトルの絡み合いのため、依然として困難である。 変分モードグラフ畳み込みネットワーク(VMGCN)のような分解積分アプローチは、信号分解によって精度を向上するが、計算不効率と手動ハイパーパラメータチューニングに悩まされる。 これらの制約に対処するため、反復的変動モード分解(VMD)をトレーニング可能なニューラルモジュールに変換するモード適応グラフネットワーク(MAGN)を提案する。 主なイノベーションは,(1) 繰り返し最適化を固定深度ネットワークに置き換え,分解時間(LargeSTベンチマークの250倍)を短縮する展開VMD (UVMD) モジュール,(2) モード固有の学習可能な帯域幅制約({\alpha}k ) を空間的不均一性に適応させ,スペクトル重複を防止しながら手動チューニングを除去することである。 LargeSTベンチマーク(6,902のセンサー、241Mの観測)で評価すると、MAGNはVMGCNの予測誤差を85-95%削減し、最先端のベースラインを上回っている。

関連論文リスト

• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting [9.24965746838578]
  変動モード分解(VMD)とニューラルネットワークを用いて,非定常信号を解釈可能なモードに分解するフレームワークを提案する。 提案した2段階の設計は、短時間および長期の予測タスクにおいて、LargeSTデータセット上で優れた性能を示す周波数レベルの解釈性を提供しながら、大幅な精度向上をもたらす。
  論文  参考訳（メタデータ） (2024-08-29T01:09:30Z)
• ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network [20.924559944655392]
  本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。 ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。 ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-10T03:07:42Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Dynamical Hyperspectral Unmixing with Variational Recurrent Neural Networks [25.051918587650636]
  MTHU(Multitemporal hyperspectral unmixing)は、ハイパースペクトル画像解析の基本的なツールである。 本稿では,変分リカレントニューラルネットワークに基づく教師なしMTHUアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-19T04:51:34Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Deep Convolutional Learning-Aided Detector for Generalized Frequency Division Multiplexing with Index Modulation [0.0]
  提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。 FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。 提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
  論文  参考訳（メタデータ） (2022-02-06T22:18:42Z)

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。