論文の概要: Learning Temporal Saliency for Time Series Forecasting with Cross-Scale Attention

• arxiv url: http://arxiv.org/abs/2509.22839v1
• Date: Fri, 26 Sep 2025 18:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.903794
• Title: Learning Temporal Saliency for Time Series Forecasting with Cross-Scale Attention
• Title（参考訳）: 時系列予測のための大規模注意による時間的正当性学習
• Authors: Ibrahim Delibasoglu, Fredrik Heintz,
• Abstract要約: パッチベースのクロスアテンション機構とマルチスケール処理を組み合わせた,革新的なアーキテクチャであるCrossScaleNetを提案する。 本評価は,時間的塩分濃度検出と予測精度の両方において優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.992220383989106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainability in time series forecasting is essential for improving model transparency and supporting informed decision-making. In this work, we present CrossScaleNet, an innovative architecture that combines a patch-based cross-attention mechanism with multi-scale processing to achieve both high performance and enhanced temporal explainability. By embedding attention mechanisms into the training process, our model provides intrinsic explainability for temporal saliency, making its decision-making process more transparent. Traditional post-hoc methods for temporal saliency detection are computationally expensive, particularly when compared to feature importance detection. While ablation techniques may suffice for datasets with fewer features, identifying temporal saliency poses greater challenges due to its complexity. We validate CrossScaleNet on synthetic datasets with known saliency ground truth and on established public benchmarks, demonstrating the robustness of our method in identifying temporal saliency. Experiments on real-world datasets for forecasting task show that our approach consistently outperforms most transformer-based models, offering better explainability without sacrificing predictive accuracy. Our evaluations demonstrate superior performance in both temporal saliency detection and forecasting accuracy. Moreover, we highlight that existing models claiming explainability often fail to maintain strong performance on standard benchmarks. CrossScaleNet addresses this gap, offering a balanced approach that captures temporal saliency effectively while delivering state-of-the-art forecasting performance across datasets of varying complexity.
• Abstract（参考訳）: 時系列予測における説明可能性は、モデルの透明性を改善し、情報的意思決定をサポートするために不可欠である。 本研究では、パッチベースのクロスアテンション機構とマルチスケール処理を組み合わせた革新的なアーキテクチャであるCrossScaleNetを提案する。 トレーニングプロセスに注意機構を組み込むことで、時間的満足度に関する本質的な説明が得られ、意思決定プロセスがより透明になる。 時間的塩分濃度検出の伝統的なポストホック法は、特に特徴量検出と比較して計算に高価である。 アブレーション技術は、より少ない特徴を持つデータセットで十分かもしれないが、時間的正当性を特定することは、その複雑さのために大きな課題を引き起こす。 そこで我々はCrossScaleNetを,有意な正当性を持つ合成データセットと確立された公開ベンチマークで検証し,時間的正当性を特定する上での手法の堅牢性を実証した。 予測タスクのための実世界のデータセットの実験は、我々のアプローチがほとんどのトランスフォーマーベースモデルより一貫して優れており、予測精度を犠牲にすることなく、より良い説明可能性を提供することを示している。 評価の結果,時間的塩分濃度検出と予測精度の両面で優れた性能を示した。 さらに、説明責任を主張する既存のモデルでは、標準ベンチマークで強いパフォーマンスを維持することができないことも強調する。 CrossScaleNetはこのギャップに対処し、さまざまな複雑さのデータセットをまたいだ最先端の予測パフォーマンスを提供しながら、時間的サリエンシを効果的にキャプチャするバランスのとれたアプローチを提供する。

関連論文リスト

• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
  本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。 ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。 このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-04-30T06:19:37Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Attention as Robust Representation for Time Series Forecasting [23.292260325891032]
  多くの実用化には時系列予測が不可欠である。 トランスフォーマーの重要な特徴、注意機構、データ表現を強化するために動的に埋め込みを融合させ、しばしば注意重みを副産物の役割に還元する。 提案手法は,時系列の主表現として注目重みを高くし,データポイント間の時間的関係を利用して予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-02-08T03:00:50Z)
• Distillation Enhanced Time Series Forecasting Network with Momentum Contrastive Learning [7.4106801792345705]
  長周期時系列予測のための革新的蒸留強化フレームワークであるDE-TSMCLを提案する。 具体的には、タイムスタンプをマスクするかどうかを適応的に学習する学習可能なデータ拡張機構を設計する。 そこで本研究では,時系列のサンプル間および時間内相関を探索するために,モーメントを更新したコントラスト学習タスクを提案する。 複数のタスクからモデル損失を発生させることで、下流予測タスクの効果的な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-01-31T12:52:10Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。