論文の概要: Enhancing Time Series Forecasting through Selective Representation Spaces: A Patch Perspective

• arxiv url: http://arxiv.org/abs/2510.14510v1
• Date: Thu, 16 Oct 2025 09:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.806086
• Title: Enhancing Time Series Forecasting through Selective Representation Spaces: A Patch Perspective
• Title（参考訳）: 選択表現空間による時系列予測の強化:パッチ・パースペクティブ
• Authors: Xingjian Wu, Xiangfei Qiu, Hanyin Cheng, Zhengyu Li, Jilin Hu, Chenjuan Guo, Bin Yang,
• Abstract要約: 我々は、予測のための最も情報性の高いパッチを柔軟に含めるための選択表現空間の構築の先駆者である。 本稿では,学習可能な選択パチングと動的再組み立て技術を利用した選択表現空間(SRS)モジュールを提案する。 新しいプラグイン・アンド・プレイモジュールとして、SRSは既存のパッチベースのモデルの性能を向上させることもできる。
• 参考スコア（独自算出の注目度）: 18.97715342585514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time Series Forecasting has made significant progress with the help of Patching technique, which partitions time series into multiple patches to effectively retain contextual semantic information into a representation space beneficial for modeling long-term dependencies. However, conventional patching partitions a time series into adjacent patches, which causes a fixed representation space, thus resulting in insufficiently expressful representations. In this paper, we pioneer the exploration of constructing a selective representation space to flexibly include the most informative patches for forecasting. Specifically, we propose the Selective Representation Space (SRS) module, which utilizes the learnable Selective Patching and Dynamic Reassembly techniques to adaptively select and shuffle the patches from the contextual time series, aiming at fully exploiting the information of contextual time series to enhance the forecasting performance of patch-based models. To demonstrate the effectiveness of SRS module, we propose a simple yet effective SRSNet consisting of SRS and an MLP head, which achieves state-of-the-art performance on real-world datasets from multiple domains. Furthermore, as a novel plugin-and-play module, SRS can also enhance the performance of existing patch-based models. The resources are available at https://github.com/decisionintelligence/SRSNet.
• Abstract（参考訳）: 時系列予測は、時系列を複数のパッチに分割し、コンテキスト意味情報を長期依存のモデリングに有用な表現空間に効果的に保持するパッシング技法の助けを借りて、大きな進歩を遂げた。 しかし、従来のパッチは時系列を隣接パッチに分割し、固定された表現空間を生じるため、表現が不十分である。 本稿では,予測のための最も情報性の高いパッチを柔軟に含めるために,選択表現空間の構築を開拓する。 具体的には、SRS(Selective Representation Space)モジュールを提案する。SRSモジュールは、学習可能なSelective PatchingおよびDynamic Reassembly技術を用いて、コンテキスト時系列からパッチを適応的に選択し、シャッフルする。 SRSモジュールの有効性を示すために,SRS と MLP ヘッドからなる簡易かつ効果的な SRSNet を提案する。 さらに、新しいプラグイン・アンド・プレイモジュールとして、SRSは既存のパッチベースのモデルの性能を向上させることもできる。 リソースはhttps://github.com/decisionintelligence/SRSNetで入手できる。

関連論文リスト

• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  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。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• LaT-PFN: A Joint Embedding Predictive Architecture for In-context Time-series Forecasting [0.0]
  我々は,ゼロショット予測を可能にする強力な埋め込み空間を持つ基本時系列モデルであるLatntTimePFNを紹介する。 我々は、PFNとJEPA(Joint Embedding Predictive Architecture)フレームワークの新たな統合を利用して、潜在空間におけるコンテキスト内学習を行う。
  論文  参考訳（メタデータ） (2024-05-16T13:44:56Z)
• ColorMNet: A Memory-based Deep Spatial-Temporal Feature Propagation Network for Video Colorization [62.751303924391564]
  映像のカラー化において,空間時間的特徴を効果的に探索する方法が重要である。 我々は,メモリベースの機能伝搬モジュールを開発し,遠方のフレームからの機能との信頼性の高い接続を確立する。 空間時間近傍の隣接するフレームから特徴を集約するローカルアテンションモジュールを開発した。
  論文  参考訳（メタデータ） (2024-04-09T12:23:30Z)
• $\textbf{S}^2$IP-LLM: Semantic Space Informed Prompt Learning with LLM for Time Series Forecasting [21.921303835714628]
  本稿では,LLM(S2$IP-LLM)を用いたセマンティック空間インフォームドプロンプト学習を提案し,事前学習された意味空間と時系列埋め込み空間とを整合させる。 提案した$S2$IP-LLMは,最先端のベースラインよりも優れた予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-03-09T05:20:48Z)
• Multi-Patch Prediction: Adapting LLMs for Time Series Representation Learning [22.28251586213348]
  aLLM4TSは、時系列表現学習にLarge Language Models(LLM)を適用する革新的なフレームワークである。 われわれのフレームワークの特筆すべき要素はパッチワイドデコーディング層である。
  論文  参考訳（メタデータ） (2024-02-07T13:51:26Z)

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。