論文の概要: MGTS-Net: Exploring Graph-Enhanced Multimodal Fusion for Augmented Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.16350v1
• Date: Sat, 18 Oct 2025 04:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.959671
• Title: MGTS-Net: Exploring Graph-Enhanced Multimodal Fusion for Augmented Time Series Forecasting
• Title（参考訳）: MGTS-Net: 拡張時系列予測のためのグラフ強化マルチモーダルフュージョンの探索
• Authors: Shule Hao, Junpeng Bao, Wenli Li,
• Abstract要約: 時系列予測のためのマルチモーダルグラフ強化ネットワークMGTS-Netを提案する。 モデルは,(1)マルチモーダル特徴抽出層(MFE),(2)マルチモーダル特徴融合層(MFF),(3)マルチスケール予測層(MSP)の3つのコアコンポーネントから構成される。
• 参考スコア（独自算出の注目度）: 1.7077661158850292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent research in time series forecasting has explored integrating multimodal features into models to improve accuracy. However, the accuracy of such methods is constrained by three key challenges: inadequate extraction of fine-grained temporal patterns, suboptimal integration of multimodal information, and limited adaptability to dynamic multi-scale features. To address these problems, we propose MGTS-Net, a Multimodal Graph-enhanced Network for Time Series forecasting. The model consists of three core components: (1) a Multimodal Feature Extraction layer (MFE), which optimizes feature encoders according to the characteristics of temporal, visual, and textual modalities to extract temporal features of fine-grained patterns; (2) a Multimodal Feature Fusion layer (MFF), which constructs a heterogeneous graph to model intra-modal temporal dependencies and cross-modal alignment relationships and dynamically aggregates multimodal knowledge; (3) a Multi-Scale Prediction layer (MSP), which adapts to multi-scale features by dynamically weighting and fusing the outputs of short-term, medium-term, and long-term predictors. Extensive experiments demonstrate that MGTS-Net exhibits excellent performance with light weight and high efficiency. Compared with other state-of-the-art baseline models, our method achieves superior performance, validating the superiority of the proposed methodology.
• Abstract（参考訳）: 時系列予測における最近の研究は、精度を向上させるためにマルチモーダル特徴をモデルに統合することを検討している。 しかし、これらの手法の精度は、微粒な時間パターンの抽出が不十分なこと、マルチモーダル情報の最適部分の統合、動的マルチスケール特徴への適応性の制限の3つの主要な課題によって制約されている。 これらの問題に対処するために,時系列予測のためのマルチモーダルグラフ強化ネットワークMGTS-Netを提案する。 本モデルでは, 時間的, 視覚的, テクスチャ的特徴量に応じて特徴エンコーダを最適化し, 微粒パターンの時間的特徴を抽出するマルチモーダル特徴抽出層 (MFE) と, モーダル内部の時間的依存関係をモデル化し, 多モーダル知識を動的に集約するヘテロジニアスグラフを構成するマルチモーダル特徴融合層 (MFF) と, 短期的, 中長期的, 長期的予測器の出力を動的に重み付けして, マルチモーダルな特徴に適応するマルチスケール予測層 (MSP) とから構成される。 大規模な実験により、MGTS-Netは軽量で高い効率で優れた性能を示すことが示された。 他の最先端のベースラインモデルと比較して,提案手法は優れた性能を示し,提案手法の優位性を検証した。

関連論文リスト

• Graph Neural Networks with Diversity-aware Neighbor Selection and Dynamic Multi-scale Fusion for Multivariate Time Series Forecasting [2.861817098638611]
  ダイバーシティを意識した周辺選択と動的マルチスケールフュージョン(DIMIGNN)を備えたグラフニューラルネットワーク(GNN)を提案する。 DIMIGNNは、各変数が隣人と高い情報的類似性を共有することを保証するために、DNSM(Diversity-aware Neighbor Selection Mechanism)を導入している。 実世界のデータセットの実験では、DIMIGNNは従来手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-28T06:23:43Z)
• SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
  時系列の正確な予測にはシリーズ間相関が不可欠である。 これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。 既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
  論文  参考訳（メタデータ） (2025-09-14T11:23:12Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• U3M: Unbiased Multiscale Modal Fusion Model for Multimodal Semantic Segmentation [63.31007867379312]
  U3M: An Unbiased Multiscale Modal Fusion Model for Multimodal Semanticsを紹介する。 我々は,グローバルな特徴とローカルな特徴の効果的な抽出と統合を保証するために,複数のスケールで機能融合を採用している。 実験により,本手法は複数のデータセットにまたがって優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-24T08:58:48Z)
• Exploiting Modality-Specific Features For Multi-Modal Manipulation Detection And Grounding [54.49214267905562]
  マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。 本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。 本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T06:55:41Z)
• IMKGA-SM: Interpretable Multimodal Knowledge Graph Answer Prediction via Sequence Modeling [3.867363075280544]
  マルチモーダル知識グラフリンク予測は,マルチモーダルデータに対するリンク予測タスクの精度と効率を向上させることを目的としている。 シーケンスモデリングによる解釈可能なマルチモーダル知識グラフアンサー予測(IMKGA-SM)の開発 モデルは、異なるサイズのマルチモーダルリンク予測データセットに基づいて、SOTAベースラインよりもはるかに優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-01-06T10:08:11Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。