論文の概要: Naga: Vedic Encoding for Deep State Space Models

• arxiv url: http://arxiv.org/abs/2511.13510v1
• Date: Mon, 17 Nov 2025 15:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.339404
• Title: Naga: Vedic Encoding for Deep State Space Models
• Title（参考訳）: Naga: ディープステートスペースモデルのためのベクトルエンコーディング
• Authors: Melanie Schaller, Nick Janssen, Bodo Rosenhahn,
• Abstract要約: Naga(ナガ)は、ヴェーダ数学の構造的概念にインスパイアされたディープ・ステート・スペース・モデル(SSM)の符号化手法である。 本研究では, ETTh1, ETTh2, ETTm1, ETTm2, 天気, 交通, ILIなど, 長期連続予測(LTSF)ベンチマークを用いて長の評価を行った。
• 参考スコア（独自算出の注目度）: 24.354866692885466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Naga, a deep State Space Model (SSM) encoding approach inspired by structural concepts from Vedic mathematics. The proposed method introduces a bidirectional representation for time series by jointly processing forward and time-reversed input sequences. These representations are then combined through an element-wise (Hadamard) interaction, resulting in a Vedic-inspired encoding that enhances the model's ability to capture temporal dependencies across distant time steps. We evaluate Naga on multiple long-term time series forecasting (LTSF) benchmarks, including ETTh1, ETTh2, ETTm1, ETTm2, Weather, Traffic, and ILI. The experimental results show that Naga outperforms 28 current state of the art models and demonstrates improved efficiency compared to existing deep SSM-based approaches. The findings suggest that incorporating structured, Vedic-inspired decomposition can provide an interpretable and computationally efficient alternative for long-range sequence modeling.
• Abstract（参考訳）: 本稿では,深部宇宙モデル (SSM) の手法である長(なが)について述べる。 提案手法では,前後の入力シーケンスを共同処理することで,時系列の双方向表現を提案する。 これらの表現は要素的(アダマール的)相互作用によって結合され、Vedicにインスパイアされたエンコーディングにより、遠方の時間ステップで時間的依存関係をキャプチャする能力を高める。 本研究では, ETTh1, ETTh2, ETTm1, ETTm2, 天気, 交通, ILIなど, 長期連続予測(LTSF)ベンチマークを用いて長の評価を行った。 実験の結果,Nagaは28の最先端モデルより優れており,既存の深層SSMアプローチと比較して効率が向上していることがわかった。 この結果から, 構造化ベディダインスパイアされた分解を組み込むことで, 長距離シーケンスモデリングの解釈可能かつ計算効率の良い代替手段が得られることが示唆された。

関連論文リスト

• Sequential-Parallel Duality in Prefix Scannable Models [68.39855814099997]
  近年では Gated Linear Attention (GLA) や Mamba など様々なモデルが開発されている。 ニアコンスタント時間並列評価と線形時間、定数空間シーケンシャル推論をサポートするニューラルネットワークモデルの全クラスを特徴付けることができるだろうか?
  論文  参考訳（メタデータ） (2025-06-12T17:32:02Z)
• ss-Mamba: Semantic-Spline Selective State-Space Model [0.0]
  ss-Mambaは、セマンティック・アウェアの埋め込みと適応スプラインベースの時間符号化を統合することで時系列予測を強化する新しい基礎モデルである。 ss-Mambaは,時系列予測における従来のトランスフォーマーモデルに代わる汎用的で効率的な代替手段として,優れた精度,堅牢性,解釈性を提供することを示す。
  論文  参考訳（メタデータ） (2025-06-03T03:26:57Z)
• Augmented Invertible Koopman Autoencoder for long-term time series forecasting [7.875955593012905]
  そこで我々は,Augmented Invertible Koopman AutoEncoder (AIKAE) を神経オートエンコーダに基づく新しい実装として提案する。 本稿では,衛星画像時系列の長期時系列予測実験によるAIKAEの関連性を示すとともに,大局的な見返り窓に基づく予測を含むベンチマークを行った。
  論文  参考訳（メタデータ） (2025-03-17T08:40:50Z)
• UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
  本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
  論文  参考訳（メタデータ） (2024-10-15T04:56:43Z)
• 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)
• Chimera: Effectively Modeling Multivariate Time Series with 2-Dimensional State Space Models [5.37935922811333]
  State Space Models (SSM) は、一変量時系列モデリングのための古典的なアプローチである。 本稿では、2つの入力依存型2次元SSMヘッドと異なる離散化プロセスを用いて長期進行と季節パターンを学習するチメラについて述べる。 実験により,広範囲で多様なベンチマークにおいて,Chimeraの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-06T17:58:09Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• Approximated Bilinear Modules for Temporal Modeling [116.6506871576514]
  CNNの2層は補助ブランチサンプリングを追加することで、時間的双線形モジュールに変換できる。 我々のモデルは、事前トレーニングなしで、Something v1とv2データセットの最先端メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-07-25T09:07:35Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。