論文の概要: VIFO: Visual Feature Empowered Multivariate Time Series Forecasting with Cross-Modal Fusion

• arxiv url: http://arxiv.org/abs/2510.03244v1
• Date: Thu, 25 Sep 2025 14:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-12 15:03:05.786272
• Title: VIFO: Visual Feature Empowered Multivariate Time Series Forecasting with Cross-Modal Fusion
• Title（参考訳）: VIFO: クロスモーダルフュージョンを用いた多変量時系列予測
• Authors: Yanlong Wang, Hang Yu, Jian Xu, Fei Ma, Hongkang Zhang, Tongtong Feng, Zijian Zhang, Shao-Lun Huang, Danny Dongning Sun, Xiao-Ping Zhang,
• Abstract要約: 時系列モデルのための時空間予測モデルVIFOを提案する。 多変量時系列をイメージ化し、事前訓練されたLVMで複雑なチャネル間のパターンを抽出する。 複数のベンチマークで競合性能を達成する。
• 参考スコア（独自算出の注目度）: 30.95449991386488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large time series foundation models often adopt channel-independent architectures to handle varying data dimensions, but this design ignores crucial cross-channel dependencies. Concurrently, existing multimodal approaches have not fully exploited the power of large vision models (LVMs) to interpret spatiotemporal data. Additionally, there remains significant unexplored potential in leveraging the advantages of information extraction from different modalities to enhance time series forecasting performance. To address these gaps, we propose the VIFO, a cross-modal forecasting model. VIFO uniquely renders multivariate time series into image, enabling pre-trained LVM to extract complex cross-channel patterns that are invisible to channel-independent models. These visual features are then aligned and fused with representations from the time series modality. By freezing the LVM and training only 7.45% of its parameters, VIFO achieves competitive performance on multiple benchmarks, offering an efficient and effective solution for capturing cross-variable relationships in
• Abstract（参考訳）: 大規模な時系列基盤モデルは、様々なデータ次元を扱うためにチャネルに依存しないアーキテクチャを採用することが多いが、この設計は重要なチャネル間の依存関係を無視している。 同時に、既存のマルチモーダルアプローチは、時空間データを解釈する大きなビジョンモデル(LVM)のパワーを十分に活用していない。 さらに、時系列予測性能を向上させるために、異なるモダリティから情報抽出の利点を活用する上で、未探索の重大な可能性も残されている。 これらのギャップに対処するため,モーダル間予測モデルであるVIFOを提案する。 VIFOは一意に多変量時系列を画像に描画し、事前訓練されたLVMはチャネルに依存しないモデルでは見えない複雑なチャネル横断パターンを抽出することができる。 これらの視覚的特徴は、時系列のモダリティの表現と一致して融合される。 LVMの凍結とパラメータの7.45%のトレーニングによって、VIFOは複数のベンチマークで競合するパフォーマンスを実現し、クロス変数関係をキャプチャするための効率的で効果的なソリューションを提供する。

関連論文リスト

• From Images to Signals: Are Large Vision Models Useful for Time Series Analysis? [62.58235852194057]
  トランスフォーマーベースのモデルは、時系列研究において注目を集めている。 分野がマルチモダリティに向かって進むにつれ、LVM(Large Vision Models)が有望な方向として現れつつある。
  論文  参考訳（メタデータ） (2025-05-29T22:05:28Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• 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)
• MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting [18.815152183468673]
  時系列予測は多くの分野において重要であるが、現在のディープラーニングモデルはノイズやデータの分散、複雑なパターンのキャプチャに苦労している。 本稿では,コントラスト学習とマルチスケール特徴抽出を組み合わせることで,これらの課題に対処する新しいフレームワークであるMFF-FTNetを提案する。 5つの実世界のデータセットに対する大規模な実験は、MFF-FTNetが最先端のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-11-26T12:41:42Z)
• 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)
• Adaptive Convolutional Forecasting Network Based on Time Series Feature-Driven [9.133955922897371]
  実世界のシナリオにおける時系列データは、かなりの量の非線形情報を含んでいる。 マルチレゾリューション畳み込み演算と変形可能な畳み込み演算を導入する。 本稿では,局所的およびグローバルな時間的依存関係を効果的にモデル化する適応型畳み込みネットワークACNetを提案する。
  論文  参考訳（メタデータ） (2024-05-20T14:05:35Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。