論文の概要: VMDNet: Time Series Forecasting with Leakage-Free Samplewise Variational Mode Decomposition and Multibranch Decoding

• arxiv url: http://arxiv.org/abs/2509.15394v1
• Date: Thu, 18 Sep 2025 20:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.888347
• Title: VMDNet: Time Series Forecasting with Leakage-Free Samplewise Variational Mode Decomposition and Multibranch Decoding
• Title（参考訳）: VMDNet: Leakage-free Samplewise Variational Mode Decomposition と Multibranch Decoding による時系列予測
• Authors: Weibin Feng, Ran Tao, John Cartlidge, Jin Zheng,
• Abstract要約: 変分モード分解(VMD)は周期性を考慮した分解のための強力な信号処理手法である。 我々は,VMDNetを提案する。VMDNetは因果保存のためのフレームワークで,リークを回避するためにサンプル単位のVMDを適用している。 2つのエネルギー関連データセットの実験により、VMDNetは周期性が強い場合に最先端の結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 18.868677160493526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In time series forecasting, capturing recurrent temporal patterns is essential; decomposition techniques make such structure explicit and thereby improve predictive performance. Variational Mode Decomposition (VMD) is a powerful signal-processing method for periodicity-aware decomposition and has seen growing adoption in recent years. However, existing studies often suffer from information leakage and rely on inappropriate hyperparameter tuning. To address these issues, we propose VMDNet, a causality-preserving framework that (i) applies sample-wise VMD to avoid leakage; (ii) represents each decomposed mode with frequency-aware embeddings and decodes it using parallel temporal convolutional networks (TCNs), ensuring mode independence and efficient learning; and (iii) introduces a bilevel, Stackelberg-inspired optimisation to adaptively select VMD's two core hyperparameters: the number of modes (K) and the bandwidth penalty (alpha). Experiments on two energy-related datasets demonstrate that VMDNet achieves state-of-the-art results when periodicity is strong, showing clear advantages in capturing structured periodic patterns while remaining robust under weak periodicity.
• Abstract（参考訳）: 時系列予測では、繰り返し時間パターンのキャプチャが不可欠であり、分解技術はそのような構造を明確にし、予測性能を向上させる。 変分モード分解(VMD)は周期性を考慮した分解のための強力な信号処理手法であり,近年普及している。 しかし、既存の研究はしばしば情報漏洩に悩まされ、不適切なハイパーパラメータチューニングに依存している。 これらの問題に対処するため、我々は因果保存フレームワークVMDNetを提案する。 i) 漏れを避けるためにサンプル回りのVMDを適用する。 (ii) 周波数認識による分割モードをそれぞれ表現し, 並列時間畳み込みネットワーク(TCN)を用いてデコードし, モード独立性と学習の効率化を図る。 (iii) モード数(K)と帯域幅ペナルティ(アルファ)の2つのコアハイパーパラメータを適応的に選択するために、スタックルバーグにインスパイアされた2レベル最適化を導入する。 2つのエネルギー関連データセットの実験により、VMDNetは、周期性が強いときに最先端の結果を得ることを示した。

関連論文リスト

• Leveraging Duration Pseudo-Embeddings in Multilevel LSTM and GCN Hypermodels for Outcome-Oriented PPM [4.120576565537633]
  予測プロセス監視(PPM)のための既存のディープラーニングモデルは、時間的不規則性に悩まされている。 本稿では,イベント属性とシーケンス属性を分離する2つの入力ニューラルネットワーク戦略を提案する。 提案手法の利点を実証し,実世界の堅牢なPPMアプリケーションのためのフレキシブルな設計を提供する。
  論文  参考訳（メタデータ） (2025-11-24T07:06:08Z)
• Learning from Heterogeneity: Generalizing Dynamic Facial Expression Recognition via Distributionally Robust Optimization [23.328511708942045]
  Heterogeneity-Aware Distributional Framework (HDF) は、時間周波数モデリングを強化し、ハードサンプルによる不均衡を軽減するために設計された。 時間周波数分散アテンションモジュール(DAM)は、時間的一貫性と周波数ロバスト性の両方をキャプチャする。 適応最適化モジュール 分散対応スケーリングモジュール (DSM) は、動的に分類と対照的な損失のバランスをとるために導入された。
  論文  参考訳（メタデータ） (2025-07-21T16:21:47Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  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)
• Grassmannian Geometry Meets Dynamic Mode Decomposition in DMD-GEN: A New Metric for Mode Collapse in Time Series Generative Models [0.0]
  Generative Adversarial Networks (GANs) や Variational Autoencoders (Es) のような生成モデルは、トレーニングデータの完全な多様性をキャプチャできず、モード崩壊につながることが多い。 本稿では,時系列に特有のモード崩壊の定義を導入し,その重大度を定量化するための新しい計量 DMD-GEN を提案する。
  論文  参考訳（メタデータ） (2024-12-15T19:53:17Z)
• Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
  本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。 ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。 定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
  論文  参考訳（メタデータ） (2024-10-22T03:00:11Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• A novel decomposed-ensemble time series forecasting framework: capturing underlying volatility information [6.590038231008498]
  本稿では, 時系列予測のパラダイムを提案する。このパラダイムは, 分解と, 時系列の揺らぎ情報を取得する能力を統合するものである。 各サブモードの数値データとボラティリティ情報の両方を利用してニューラルネットワークを訓練する。 このネットワークはサブモデムの情報予測に長けており、全てのサブモデムの予測を集約して最終的な出力を生成する。
  論文  参考訳（メタデータ） (2023-10-13T01:50:43Z)
• Contrastive predictive coding for Anomaly Detection in Multi-variate Time Series Data [6.463941665276371]
  本稿では,MVTSデータにおける異常検出に向けて,TRL-CPC(Contrastive Predictive Coding)を用いた時系列表現学習を提案する。 まず,エンコーダ,自動回帰器,非線形変換関数を共同で最適化し,MVTSデータセットの表現を効果的に学習する。
  論文  参考訳（メタデータ） (2022-02-08T04:25:29Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)

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。