論文の概要: Benchmarking M-LTSF: Frequency and Noise-Based Evaluation of Multivariate Long Time Series Forecasting Models

• arxiv url: http://arxiv.org/abs/2510.04900v1
• Date: Mon, 06 Oct 2025 15:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.932485
• Title: Benchmarking M-LTSF: Frequency and Noise-Based Evaluation of Multivariate Long Time Series Forecasting Models
• Title（参考訳）: ベンチマークM-LTSF:多変量時系列予測モデルの周波数と雑音に基づく評価
• Authors: Nick Janßen, Melanie Schaller, Bodo Rosenhahn,
• Abstract要約: パラメータ化可能な合成データセットを生成するシミュレーションに基づく評価フレームワークを提案する。 これらのコンポーネントは、未知のノイズのあいまいさを伴わずに、実世界の多変量時系列データをモデル化することを目的としている。 このフレームワークは、制御および多種多様なシナリオ下でのM-LTSFモデルのきめ細かい体系的評価を可能にする。
• 参考スコア（独自算出の注目度）: 24.354866692885466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the robustness of deep learning models for multivariate long-term time series forecasting (M-LTSF) remains challenging, as evaluations typically rely on real-world datasets with unknown noise properties. We propose a simulation-based evaluation framework that generates parameterizable synthetic datasets, where each dataset instance corresponds to a different configuration of signal components, noise types, signal-to-noise ratios, and frequency characteristics. These configurable components aim to model real-world multivariate time series data without the ambiguity of unknown noise. This framework enables fine-grained, systematic evaluation of M-LTSF models under controlled and diverse scenarios. We benchmark four representative architectures S-Mamba (state-space), iTransformer (transformer-based), R-Linear (linear), and Autoformer (decomposition-based). Our analysis reveals that all models degrade severely when lookback windows cannot capture complete periods of seasonal patters in the data. S-Mamba and Autoformer perform best on sawtooth patterns, while R-Linear and iTransformer favor sinusoidal signals. White and Brownian noise universally degrade performance with lower signal-to-noise ratio while S-Mamba shows specific trend-noise and iTransformer shows seasonal-noise vulnerability. Further spectral analysis shows that S-Mamba and iTransformer achieve superior frequency reconstruction. This controlled approach, based on our synthetic and principle-driven testbed, offers deeper insights into model-specific strengths and limitations through the aggregation of MSE scores and provides concrete guidance for model selection based on signal characteristics and noise conditions.
• Abstract（参考訳）: 多変量長期時系列予測(M-LTSF)のためのディープラーニングモデルの堅牢性を理解することは依然として困難であり、評価は通常、未知のノイズ特性を持つ実世界のデータセットに依存する。 パラメータ化可能な合成データセットを生成するシミュレーションに基づく評価フレームワークを提案する。各データセットインスタンスは、信号成分、ノイズタイプ、信号対雑音比、周波数特性の異なる構成に対応する。 これらの構成可能なコンポーネントは、未知のノイズのあいまいさを伴わずに、実世界の多変量時系列データをモデル化することを目的としている。 このフレームワークは、制御および多種多様なシナリオ下でのM-LTSFモデルのきめ細かい体系的評価を可能にする。 S-Mamba(状態空間)、iTransformer(変換器ベース)、R-Linear(線形)、Autoformer(分解器ベース)の4つの代表的なアーキテクチャをベンチマークする。 分析の結果,ルックバックウィンドウがデータ中の季節的なパッターの完全な周期をキャプチャできない場合,すべてのモデルが著しく劣化することがわかった。 S-MambaとAutoformerはソートゥースパターンで最善を尽くし、R-LinearとiTransformerは正弦波信号を好む。 S-Mambaは特定のトレンドノイズを示し、iTransformerは季節雑音の脆弱性を示す。 さらにスペクトル分析により,S-MambaとiTransformerがより優れた周波数再構成を実現することが示された。 この制御手法は,合成および原理駆動テストベッドに基づいて,MSEスコアの集約によるモデル固有の強度と限界に関する深い洞察を与え,信号特性と雑音条件に基づくモデル選択のための具体的なガイダンスを提供する。

関連論文リスト

• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• Filtering with Time-frequency Analysis: An Adaptive and Lightweight Model for Sequential Recommender Systems Based on Discrete Wavelet Transform [0.8246494848934447]
  ユーザの興味を異なる周波数と時間で複数の信号に分解し、これらの信号の重みを自動的に学習するDWT方式の適応時間周波数フィルタを設計する。 また,適応時間周波数フィルタに基づく逐次レコメンデーションモデルDWTRecを開発した。 実験により,各領域,空間レベル,平均シーケンス長の異なるデータセットにおいて,我々のモデルが最先端のベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-30T13:28:42Z)
• 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)
• From Perfect to Noisy World Simulation: Customizable Embodied Multi-modal Perturbations for SLAM Robustness Benchmarking [32.52171076424419]
  エンボディードエージェントは、非構造環境で運用するために堅牢なナビゲーションシステムを必要とする。 ノイズの多いデータ合成のための,新しい,カスタマイズ可能なパイプラインを提案する。 我々はニューラル(NeRF)モデルと非ニューラルSLAMモデルの両方の障害に対する感受性を明らかにする。
  論文  参考訳（メタデータ） (2024-06-24T17:57:05Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。