論文の概要: Hi-WaveTST: A Hybrid High-Frequency Wavelet-Transformer for Time-Series Classification

• arxiv url: http://arxiv.org/abs/2511.01254v1
• Date: Mon, 03 Nov 2025 05:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.134395
• Title: Hi-WaveTST: A Hybrid High-Frequency Wavelet-Transformer for Time-Series Classification
• Title（参考訳）: Hi-WaveTST:時系列分類のためのハイブリッド高周波ウェーブレット変換器
• Authors: Huseyin Goksu,
• Abstract要約: 本稿では,Hy-WaveTSTを提案する。Hy-WaveTSTは,従来の時間的パッチを学習可能な高周波数ウェーブレット特徴ストリームで拡張するハイブリッドアーキテクチャである。 我々のモデルは平均精度93.38パーセントプラス0.0043を達成し、SOTA PatchTSTベースライン(92.59パーセントプラス0.0039)を著しく上回っている。 包括的アブレーション研究は、我々の設計のすべてのコンポーネント、ハイブリッドアーキテクチャ、深い高周波ウェーブレット分解、そして学習可能なGeMプーリングが、この最先端のパフォーマンスに不可欠であることを証明している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformers have become state-of-the-art (SOTA) for time-series classification, with models like PatchTST demonstrating exceptional performance. These models rely on patching the time series and learning relationships between raw temporal data blocks. We argue that this approach is blind to critical, non-obvious high-frequency information that is complementary to the temporal dynamics. In this letter, we propose Hi-WaveTST, a novel Hybrid architecture that augments the original temporal patch with a learnable, High-Frequency wavelet feature stream. Our wavelet stream uses a deep Wavelet Packet Decomposition (WPD) on each patch and extracts features using a learnable Generalized Mean (GeM) pooling layer. On the UCI-HAR benchmark dataset, our hybrid model achieves a mean accuracy of 93.38 percent plus-minus 0.0043, significantly outperforming the SOTA PatchTST baseline (92.59 percent plus-minus 0.0039). A comprehensive ablation study proves that every component of our design-the hybrid architecture, the deep high-frequency wavelet decomposition, and the learnable GeM pooling-is essential for this state-of-the-art performance.
• Abstract（参考訳）: トランスフォーマーは時系列分類のための最先端(SOTA)となり、PatchTSTのようなモデルでは例外的な性能を示している。 これらのモデルは時系列のパッチと、生の時間的データブロック間の関係の学習に依存している。 このアプローチは、時間的ダイナミクスに相補的な、批判的で、目立たない高周波情報に盲目である、と我々は主張する。 本稿では,従来の時間的パッチを学習可能な高周波数ウェーブレット特徴ストリームで拡張する,新しいハイブリッドアーキテクチャであるHi-WaveTSTを提案する。 我々のウェーブレットストリームは、各パッチにディープウェーブレットパケット分解(WPD)を使用し、学習可能な一般化平均(GeM)プール層を用いて特徴を抽出する。 UCI-HARベンチマークデータセットでは、我々のハイブリッドモデルの平均精度は93.38パーセントプラスマイナス0.0043であり、SOTA PatchTSTベースライン(92.59パーセントプラスマイナス0.0039)を大幅に上回っている。 包括的アブレーション研究は、我々の設計のすべてのコンポーネント、ハイブリッドアーキテクチャ、深い高周波ウェーブレット分解、そして学習可能なGeMプーリングが、この最先端のパフォーマンスに不可欠であることを証明している。

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)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• A Wavelet-based Stereo Matching Framework for Solving Frequency Convergence Inconsistency [9.668149257194887]
  周波数収束不整合を解消するためのウェーブレットベースのステレオマッチングフレームワーク(ウェーブレット・ステレオ)を提案する。 高周波数成分と低周波成分を別々に処理することで、我々は、エッジにおける高周波情報とスムーズな領域における低周波情報を同時に洗練することができる。
  論文  参考訳（メタデータ） (2025-05-23T15:28:03Z)
• WaveHiTS: Wavelet-Enhanced Hierarchical Time Series Modeling for Wind Direction Nowcasting in Eastern Inner Mongolia [3.1789338656073305]
  本稿では、ウェーブレット変換とニューラル階層型時系列補間を組み合わせた新しいモデルWaveHiTSを提案する。 提案手法は風向をU-V成分に分解し,ウェーブレット変換を用いてマルチスケールの周波数パターンを捕捉し,階層構造を用いて時間依存性をモデル化する。 中国内モンゴルからの実世界気象データを用いて行った実験では、WaveHiTSがディープラーニングモデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-04-09T02:15:48Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
  本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。 さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。 PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
  論文  参考訳（メタデータ） (2024-08-15T08:34:00Z)
• WaveMamba: Spatial-Spectral Wavelet Mamba for Hyperspectral Image Classification [3.5302264121619094]
  本稿では、ウェーブレット変換を空間スペクトルマンバアーキテクチャと統合し、HSI分類を強化する新しいアプローチであるWaveMambaを紹介する。 WaveMambaは既存のモデルを超え、ヒューストン大学のデータセットでは4.5%、パヴィア大学のデータセットでは2.0%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-02T12:44:07Z)
• Inception Transformer [151.939077819196]
  インセプショントランスフォーマー(iFormer)は、視覚データ中の高周波数情報と低周波情報の両方で包括的特徴を学習する。 我々は、iFormerを一連の視覚タスクでベンチマークし、画像分類、COCO検出、ADE20Kセグメンテーションにおいて優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2022-05-25T17:59:54Z)

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。