論文の概要: EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.26157v1
• Date: Tue, 30 Sep 2025 12:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.530608
• Title: EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting
• Title（参考訳）: EntroPE: 時系列予測のためのエントロピー誘導動的パッチエンコーダ
• Authors: Sachith Abeywickrama, Emadeldeen Eldele, Min Wu, Xiaoli Li, Chau Yuen,
• Abstract要約: IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
• 参考スコア（独自算出の注目度）: 50.794700596484894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformer-based models have significantly advanced time series forecasting, with patch-based input strategies offering efficiency and improved long-horizon modeling. Yet, existing approaches rely on temporally-agnostic patch construction, where arbitrary starting positions and fixed lengths fracture temporal coherence by splitting natural transitions across boundaries. This naive segmentation often disrupts short-term dependencies and weakens representation learning. In response, we propose EntroPE (Entropy-Guided Dynamic Patch Encoder), a novel, temporally informed framework that dynamically detects transition points via conditional entropy and dynamically places patch boundaries. This preserves temporal structure while retaining the computational benefits of patching. EntroPE consists of two key modules, namely an Entropy-based Dynamic Patcher (EDP) that applies information-theoretic criteria to locate natural temporal shifts and determine patch boundaries, and an Adaptive Patch Encoder (APE) that employs pooling and cross-attention to capture intra-patch dependencies and produce fixed-size latent representations. These embeddings are then processed by a global transformer to model inter-patch dynamics. Experiments across long-term forecasting benchmarks demonstrate that EntroPE improves both accuracy and efficiency, establishing entropy-guided dynamic patching as a promising new paradigm for time series modeling. Code is available at: https://github.com/Sachithx/EntroPE.
• Abstract（参考訳）: トランスフォーマーベースのモデルでは、パッチベースの入力戦略によって効率が向上し、ロングホライゾン・モデリングが改善されている。 しかし、既存のアプローチでは、任意の開始位置と固定長の時間的コヒーレンスを境界を越えて自然な遷移を分割することで、時間的非依存のパッチ構成に依存している。 このナイーブなセグメンテーションは、しばしば短期的な依存関係を乱し、表現学習を弱める。 本研究では,EntroPE(Entropy-Guided Dynamic Patch Encoder)を提案する。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 EntroPEは2つの重要なモジュールで構成されており、例えばEntropyベースのDynamic Patcher (EDP)は、天然の時間シフトの特定とパッチ境界の決定に情報理論の基準を適用し、Adaptive Patch Encoder (APE)はプールとクロスアテンションを使ってパッチ内依存関係をキャプチャし、固定サイズの潜在表現を生成する。 これらの埋め込みはグローバルトランスフォーマーによって処理され、パッチ間ダイナミクスをモデル化する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善し、エントロピー誘導動的パッチを時系列モデリングの新しいパラダイムとして確立している。 コードは、https://github.com/Sachithx/EntroPE.comで入手できる。

関連論文リスト

• PatchTraj: Unified Time-Frequency Representation Learning via Dynamic Patches for Trajectory Prediction [14.48846131633279]
  軌道予測のための時間周波数ジョイントモデリングを統合した動的パッチベースのフレームワークを提案する。 具体的には、軌道を生の時間列と周波数成分に分解し、動的パッチ分割を用いてマルチスケールセグメンテーションを行う。 その結果、拡張された埋め込みは強力な表現力を示し、バニラアーキテクチャを使用した場合でも正確な予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-25T09:55:33Z)
• Sentinel: Multi-Patch Transformer with Temporal and Channel Attention for Time Series Forecasting [48.52101281458809]
  トランスフォーマーに基づく時系列予測は、シーケンシャルデータをモデル化するトランスフォーマーの能力により、近年、強い関心を集めている。 チャネル次元からコンテキスト情報を抽出できるエンコーダで構成されるトランスフォーマーベースのアーキテクチャであるSentinelを提案する。 マルチパッチアテンション機構を導入し、パッチ処理を利用して入力シーケンスをトランスフォーマーアーキテクチャに自然に組み込むことができるように構成する。
  論文  参考訳（メタデータ） (2025-03-22T06:01:50Z)
• xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition [21.919661430250798]
  指数関数分解を利用した新しいデュアルストリームアーキテクチャを開発した。 本研究では,頑健なアークタンジエント損失関数とシグモイド学習率調整スキームを開発し,予測性能の過度化と向上を防止した。
  論文  参考訳（メタデータ） (2024-12-23T06:32:59Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
  Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。 この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。 本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2024-08-20T01:56:07Z)

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。