論文の概要: Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.14632v1
• Date: Tue, 18 Nov 2025 16:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.209453
• Title: Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting
• Title（参考訳）: Adapformer:多変量時系列予測のための適応チャネル管理
• Authors: Yuchen Luo, Xinyu Li, Liuhua Peng, Mingming Gong,
• Abstract要約: Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
• 参考スコア（独自算出の注目度）: 49.40321003932633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multivariate time series forecasting (MTSF), accurately modeling the intricate dependencies among multiple variables remains a significant challenge due to the inherent limitations of traditional approaches. Most existing models adopt either \textbf{channel-independent} (CI) or \textbf{channel-dependent} (CD) strategies, each presenting distinct drawbacks. CI methods fail to leverage the potential insights from inter-channel interactions, resulting in models that may not fully exploit the underlying statistical dependencies present in the data. Conversely, CD approaches often incorporate too much extraneous information, risking model overfitting and predictive inefficiency. To address these issues, we introduce the Adaptive Forecasting Transformer (\textbf{Adapformer}), an advanced Transformer-based framework that merges the benefits of CI and CD methodologies through effective channel management. The core of Adapformer lies in its dual-stage encoder-decoder architecture, which includes the \textbf{A}daptive \textbf{C}hannel \textbf{E}nhancer (\textbf{ACE}) for enriching embedding processes and the \textbf{A}daptive \textbf{C}hannel \textbf{F}orecaster (\textbf{ACF}) for refining the predictions. ACE enhances token representations by selectively incorporating essential dependencies, while ACF streamlines the decoding process by focusing on the most relevant covariates, substantially reducing noise and redundancy. Our rigorous testing on diverse datasets shows that Adapformer achieves superior performance over existing models, enhancing both predictive accuracy and computational efficiency, thus making it state-of-the-art in MTSF.
• Abstract（参考訳）: 多変量時系列予測(MTSF)では、複数の変数間の複雑な依存関係を正確にモデル化することは、従来のアプローチに固有の制限があるため、依然として重要な課題である。 既存のモデルの多くは、 \textbf{ channel-independent} (CI) または \textbf{ channel-dependent} (CD) 戦略を採用しており、それぞれ異なる欠点を示している。 CIメソッドは、チャネル間相互作用からの潜在的な洞察を活用することができず、結果として、データに存在する基盤となる統計的依存関係を完全に活用できないモデルになる。 逆に、CDのアプローチは、過剰な情報、モデルの過度な適合と予測的非効率を危険にさらす。 これらの問題に対処するために、効果的なチャネル管理を通じてCIとCDの方法論の利点をマージする高度なトランスフォーマーベースのフレームワークであるAdaptive Forecasting Transformer (\textbf{Adapformer})を導入する。 Adapformerのコアはデュアルステージエンコーダ・デコーダアーキテクチャにあり、埋め込みプロセスを強化するための \textbf{A}daptive \textbf{C}hannel \textbf{E}nhancer (\textbf{ACE}) と、予測を洗練するための \textbf{A}daptive \textbf{C}hannel \textbf{F}orecaster (\textbf{ACF}) を含む。 ACEは、必須の依存関係を選択的に組み込むことでトークン表現を強化し、ACFは最も関連する共変量に注目してデコードプロセスを合理化し、ノイズと冗長性を著しく低減する。 多様なデータセットに対する厳密なテストは、Adapformerが既存のモデルよりも優れた性能を達成し、予測精度と計算効率を向上し、MTSFの最先端化を実現していることを示している。

関連論文リスト

• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• Denoising and Alignment: Rethinking Domain Generalization for Multimodal Face Anti-Spoofing [47.24147617685829]
  Face Anti-Spoofing (FAS) は、多様なシナリオにおける顔認識システムのセキュリティに不可欠である。 我々はtextbfMultitextbfmodal textbfDenoising と textbfAlignment (textbfMMDA) フレームワークを紹介する。 CLIPのゼロショット一般化機能を活用することで、MMDAフレームワークはマルチモーダルデータのノイズを効果的に抑制する。
  論文  参考訳（メタデータ） (2025-05-14T15:36:44Z)
• SpecRouter: Adaptive Routing for Multi-Level Speculative Decoding in Large Language Models [21.933379266533098]
  大規模言語モデル(LLM)は、推論品質と計算コストの間に重要なトレードオフをもたらす。 既存のサービス戦略では、固定されたモデルスケールや静的な2段階の投機的デコードを用いることが多い。 本稿では,LLM推論を適応的ルーティング問題として再定義する新しいフレームワークであるsystemnameを紹介する。
  論文  参考訳（メタデータ） (2025-05-12T15:46:28Z)
• Noise Optimized Conditional Diffusion for Domain Adaptation [7.414646586981638]
  Pseudo-labelingはUnsupervised Domain Adaptation(UDA)の基盤である textbfNoise textbfOptimized textbfConditional textbfDiffusion for textbfDomain textbfAdaptation (textbfNOCDDA)を提案する。
  論文  参考訳（メタデータ） (2025-05-12T13:28:31Z)
• CMamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting [18.50360049235537]
  ステートスペースモデルであるMambaは、堅牢なシーケンスと機能ミキシング機能を備えている。 チャネル間の依存関係のキャプチャは、時系列予測のパフォーマンス向上に不可欠である。 時系列予測に適した改良されたマンバ変種を導入する。
  論文  参考訳（メタデータ） (2024-06-08T01:32:44Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)

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。