Fugu-MT 論文翻訳(概要): DPANet: Dual Pyramid Attention Network for Multivariate Time Series Forecasting

論文の概要: DPANet: Dual Pyramid Attention Network for Multivariate Time Series Forecasting

arxiv url: http://arxiv.org/abs/2509.14868v1
Date: Thu, 18 Sep 2025 11:35:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-19 17:26:53.192538
Title: DPANet: Dual Pyramid Attention Network for Multivariate Time Series Forecasting
Title（参考訳）: DPANet:多変量時系列予測のためのデュアルピラミッド注意ネットワーク
Authors: Qianyang Li, Xingjun Zhang, Shaoxun Wang, Jia Wei,
Abstract要約: 我々はDPANetの重要成分を検証するために厳密なアブレーション研究を行った。完全なモデルは、すべての変種を一貫して上回る。この結果は、我々の対話型融合ブロックが最も重要なコンポーネントであることを示している。
参考スコア（独自算出の注目度）: 12.655385006646531
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We conducted rigorous ablation studies to validate DPANet's key components (Table \ref{tab:ablation-study}). The full model consistently outperforms all variants. To test our dual-domain hypothesis, we designed two specialized versions: a Temporal-Only model (fusing two identical temporal pyramids) and a Frequency-Only model (fusing two spectral pyramids). Both variants underperformed significantly, confirming that the fusion of heterogeneous temporal and frequency information is critical. Furthermore, replacing the cross-attention mechanism with a simpler method (w/o Cross-Fusion) caused the most severe performance degradation. This result underscores that our interactive fusion block is the most essential component.
Abstract（参考訳）: DPANetの主要成分(Table \ref{tab:ablation-study})を検証するために厳密なアブレーション研究を行った。完全なモデルは、すべての変種を一貫して上回る。二重領域仮説をテストするために、時間・オンリーモデル(同一の時間ピラミッドを2つ使用)と周波数・オンリーモデル(2つのスペクトルピラミッドを使用)の2つの特殊なバージョンを設計した。どちらの変種も著しく性能が低下し、異種時間情報と周波数情報の融合が重要であることが確認された。さらに, クロスアテンション機構を簡単な方法 (w/oクロスフュージョン) に置き換えることにより, 高い性能劣化が生じた。この結果は、我々の対話型融合ブロックが最も重要なコンポーネントであることを示している。

関連論文リスト

MAESTRO: Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
論文参考訳（メタデータ） (2025-09-10T13:27:40Z)
Decomposition-based multi-scale transformer framework for time series anomaly detection [0.9438207505148947]
時系列異常検出のための分解(TransDe)に基づくトランスフォーマーベースのフレームワークを提案する。時系列の各分解成分の代表的な依存関係を利用するために,マルチスケールのパッチベースのトランスフォーマーアーキテクチャを提案する。 TransDeの性能を効果的に向上するために、停止段階の戦略を持つ新しい非同期損失関数を導入した。
論文参考訳（メタデータ） (2025-04-19T06:47:38Z)
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)
General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
論文参考訳（メタデータ） (2025-02-05T15:20:04Z)
DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting [13.05900224897486]
実世界の時系列は、時間とともに分布の変化によって引き起こされる異質な時間パターンを示すことが多い。チャネル間の相関は複雑で絡み合っており、チャネル間の相互作用を正確にかつ柔軟にモデル化することは困難である。本稿では,時空間とチャネル次元に2つのクラスタリングを導入するDUETというフレームワークを提案する。
論文参考訳（メタデータ） (2024-12-14T15:15:17Z)
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)
SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文参考訳（メタデータ） (2024-04-22T14:06:35Z)
Focus the Discrepancy: Intra- and Inter-Correlation Learning for Image Anomaly Detection [13.801572236048601]
FOD(FOcus-the-Discrepancy)は、異常のパッチワイド、イントラ・イントラ・インター・ディレクレンシーを同時に検出することができる。本稿では,新たなADフレームワークであるFOcus-the-Discrepancy(FOD)を提案する。
論文参考訳（メタデータ） (2023-08-06T01:30:26Z)
Unsupervised Time-Series Representation Learning with Iterative Bilinear Temporal-Spectral Fusion [6.154427471704388]
本稿では,双線形時間スペクトル融合(BTSF)という統合フレームワークを提案する。具体的には、インスタンスレベルの拡張を時系列全体への単純なドロップアウトで利用し、長期的依存関係を最大限に捉えます。時間-周波数ペアの親和性を明示的にエンコードするために、新しい反復性双線形時間-スペクトル融合を考案する。
論文参考訳（メタデータ） (2022-02-08T14:04:08Z)
Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文参考訳（メタデータ） (2021-07-28T23:33:42Z)
Attention Bottlenecks for Multimodal Fusion [90.75885715478054]
機械知覚モデルは典型的にはモダリティに特化しており、単調なベンチマークのために最適化されている。複数の層でのモジュラリティ融合に「融合」を用いる新しいトランスフォーマーアーキテクチャを導入する。我々は、徹底的なアブレーション研究を行い、複数のオーディオ視覚分類ベンチマークで最先端の結果を得る。
論文参考訳（メタデータ） (2021-06-30T22:44:12Z)

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。