論文の概要: IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.20783v1
• Date: Thu, 25 Sep 2025 06:09:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.720464
• Title: IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting
• Title（参考訳）: IConv:多変量時系列予測のためのチャンネル独立畳み込みによる局所的変動に着目して
• Authors: Gawon Lee, Hanbyeol Park, Minseop Kim, Dohee Kim, Hyerim Bae,
• Abstract要約: 実世界の時系列データは、変化傾向、不規則な季節性、残差など、しばしば非定常性を示す。 近年,多層パーセプトロン (MLP) を用いたモデルでは,長期依存性を捕捉する性能が向上している。 本稿では,時間チャネルを独立に処理し,チャネル間関係を考慮した新しいアーキテクチャIConvを提案する。
• 参考スコア（独自算出の注目度）: 6.27761817493579
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-world time-series data often exhibit non-stationarity, including changing trends, irregular seasonality, and residuals. In terms of changing trends, recently proposed multi-layer perceptron (MLP)-based models have shown excellent performance owing to their computational efficiency and ability to capture long-term dependency. However, the linear nature of MLP architectures poses limitations when applied to channels with diverse distributions, resulting in local variations such as seasonal patterns and residual components being ignored. However, convolutional neural networks (CNNs) can effectively incorporate these variations. To resolve the limitations of MLP, we propose combining them with CNNs. The overall trend is modeled using an MLP to consider long-term dependencies. The CNN uses diverse kernels to model fine-grained local patterns in conjunction with MLP trend predictions. To focus on modeling local variation, we propose IConv, a novel convolutional architecture that processes the temporal dependency channel independently and considers the inter-channel relationship through distinct layers. Independent channel processing enables the modeling of diverse local temporal dependencies and the adoption of a large kernel size. Distinct inter-channel considerations reduce computational cost. The proposed model is evaluated through extensive experiments on time-series datasets. The results reveal the superiority of the proposed method for multivariate time-series forecasting.
• Abstract（参考訳）: 実世界の時系列データは、変化傾向、不規則な季節性、残差など、しばしば非定常性を示す。 傾向の変化に関して、最近提案された多層パーセプトロン(MLP)ベースのモデルは、その計算効率と長期依存性を捉える能力により、優れた性能を示した。 しかし、MLPアーキテクチャの線形性は、様々な分布を持つチャネルに適用した場合に制限が生じるため、季節パターンや残留成分などの局所的な変化は無視される。 しかし、畳み込みニューラルネットワーク(CNN)はこれらのバリエーションを効果的に組み込むことができる。 MLPの限界を解決するため、我々はそれらをCNNと組み合わせることを提案する。 全体的な傾向は、長期的な依存関係を検討するために、MLPを使用してモデル化されている。 CNNは多種多様なカーネルを使用して、MDPトレンド予測と共にきめ細かい局所パターンをモデル化する。 局所的な変動をモデル化するために,時間依存性チャネルを独立に処理し,異なる層を通してチャネル間関係を考察する新しい畳み込みアーキテクチャIConvを提案する。 独立したチャネル処理により、多様なローカルな時間的依存関係のモデリングと、大きなカーネルサイズの採用が可能になる。 個別のチャネル間考慮は計算コストを削減します。 提案モデルは時系列データセットの広範な実験により評価される。 その結果,多変量時系列予測における提案手法の優位性を明らかにした。

関連論文リスト

• MS-TVNet:A Long-Term Time Series Prediction Method Based on Multi-Scale Dynamic Convolution [6.712251433139411]
  マルチスケール3次元動的畳み込みニューラルネットワークMS-TVNetを提案する。 本研究は,複雑な時間的パターンを捉えるために,畳み込みネットワークを活用することの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-08T10:33:39Z)
• CMamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting [18.50360049235537]
  ステートスペースモデルであるMambaは、堅牢なシーケンスと機能ミキシング機能を備えている。 チャネル間の依存関係のキャプチャは、時系列予測のパフォーマンス向上に不可欠である。 時系列予測に適した改良されたマンバ変種を導入する。
  論文  参考訳（メタデータ） (2024-06-08T01:32:44Z)
• 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)
• 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)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。