論文の概要: FreDN: Spectral Disentanglement for Time Series Forecasting via Learnable Frequency Decomposition

• arxiv url: http://arxiv.org/abs/2511.11817v1
• Date: Fri, 14 Nov 2025 19:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.323518
• Title: FreDN: Spectral Disentanglement for Time Series Forecasting via Learnable Frequency Decomposition
• Title（参考訳）: FreDN:学習周波数分解による時系列予測のためのスペクトル歪み
• Authors: Zhongde An, Jinhong You, Jiyanglin Li, Yiming Tang, Wen Li, Heming Du, Shouguo Du,
• Abstract要約: 本稿では,周波数領域におけるトレンドと周期成分を直接分離する学習可能な周波数ディスタングルモジュールを提案する。 また,複素数値演算の複雑さを低減し,性能の維持を図るため,理論的に支持されたReIm Blockを提案する。
• 参考スコア（独自算出の注目度）: 11.495360594018186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting is essential in a wide range of real world applications. Recently, frequency-domain methods have attracted increasing interest for their ability to capture global dependencies. However, when applied to non-stationary time series, these methods encounter the $\textit{spectral entanglement}$ and the computational burden of complex-valued learning. The $\textit{spectral entanglement}$ refers to the overlap of trends, periodicities, and noise across the spectrum due to $\textit{spectral leakage}$ and the presence of non-stationarity. However, existing decompositions are not suited to resolving spectral entanglement. To address this, we propose the Frequency Decomposition Network (FreDN), which introduces a learnable Frequency Disentangler module to separate trend and periodic components directly in the frequency domain. Furthermore, we propose a theoretically supported ReIm Block to reduce the complexity of complex-valued operations while maintaining performance. We also re-examine the frequency-domain loss function and provide new theoretical insights into its effectiveness. Extensive experiments on seven long-term forecasting benchmarks demonstrate that FreDN outperforms state-of-the-art methods by up to 10\%. Furthermore, compared with standard complex-valued architectures, our real-imaginary shared-parameter design reduces the parameter count and computational cost by at least 50\%.
• Abstract（参考訳）: 時系列予測は、幅広い現実世界の応用において不可欠である。 近年,グローバルな依存関係を捉えるために,周波数領域の手法が注目されている。 しかし、非定常時系列に適用すると、これらの手法は$\textit{spectral entanglement}$と複素数値学習の計算負担に遭遇する。 $\textit{spectral entanglement}$は、$\textit{spectral leakage}$と非定常性の存在によるスペクトルの傾向、周期性、ノイズの重複を指す。 しかし、既存の分解はスペクトル絡みの解消には適していない。 これを解決するために,周波数分割ネットワーク(FreDN, Frequency Decomposition Network, FreDN)を提案する。 さらに,複素数値演算の複雑さを低減し,性能を維持しつつ,理論的に支持されたReIm Blockを提案する。 また、周波数領域損失関数を再検討し、その有効性に関する新たな理論的知見を提供する。 7つの長期予測ベンチマークに対する大規模な実験は、FreDNが最先端の手法を最大10倍の性能で上回ることを示した。 さらに, 標準的な複素数値アーキテクチャと比較して, 実画像共有パラメータの設計により, パラメータ数と計算コストを少なくとも50%削減できる。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Frequency-Constrained Learning for Long-Term Forecasting [15.31488551912888]
  実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。 現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。 本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2025-08-02T22:12:15Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• FreCT: Frequency-augmented Convolutional Transformer for Robust Time Series Anomaly Detection [8.779286654383796]
  時系列異常検出はシステム監視とリスク識別に重要である。 周波数拡張畳み込み変換器(FreCT)を提案する。 FreCTはパッチ操作を利用してコントラストビューを生成し、コンボリューションモジュールと統合された改良されたTransformerアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-05-02T00:56:24Z)
• 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)
• Omni-Dimensional Frequency Learner for General Time Series Analysis [12.473862872616998]
  スペクトル特徴の3つの側面の奥行き解析に基づいて,Omni-dimensional Frequency Learner (ODFL) モデルを提案する。 本手法は,非定常周波数帯域に着目した意味適応型大域的フィルタとチャネル次元間の部分演算からなる。 ODFLは、短期および長期予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、一貫した最先端を達成している。
  論文  参考訳（メタデータ） (2024-07-15T03:48:16Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)

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。