論文の概要: WaveTuner: Comprehensive Wavelet Subband Tuning for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.18846v1
• Date: Mon, 24 Nov 2025 07:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.08398
• Title: WaveTuner: Comprehensive Wavelet Subband Tuning for Time Series Forecasting
• Title（参考訳）: WaveTuner: 時系列予測のための包括的なウェーブレットサブバンドチューニング
• Authors: Yubo Wang, Hui He, Chaoxi Niu, Zhendong Niu,
• Abstract要約: 本稿では、時系列予測のためのフルスペクトルサブバンドチューニングによるウェーブレット分解フレームワークを提案する。 WaveTunerは2つの主要なモジュールから構成される: (i) 時系列を時間周波数係数に変換するAdaptive Wavelet Refinementモジュール、(ii) 複数の機能分岐を利用するマルチブランチモジュール。
• 参考スコア（独自算出の注目度）: 22.28753360953834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the inherent complexity, temporal patterns in real-world time series often evolve across multiple intertwined scales, including long-term periodicity, short-term fluctuations, and abrupt regime shifts. While existing literature has designed many sophisticated decomposition approaches based on the time or frequency domain to partition trend-seasonality components and high-low frequency components, an alternative line of approaches based on the wavelet domain has been proposed to provide a unified multi-resolution representation with precise time-frequency localization. However, most wavelet-based methods suffer from a persistent bias toward recursively decomposing only low-frequency components, severely underutilizing subtle yet informative high-frequency components that are pivotal for precise time series forecasting. To address this problem, we propose WaveTuner, a Wavelet decomposition framework empowered by full-spectrum subband Tuning for time series forecasting. Concretely, WaveTuner comprises two key modules: (i) Adaptive Wavelet Refinement module, that transforms time series into time-frequency coefficients, utilizes an adaptive router to dynamically assign subband weights, and generates subband-specific embeddings to support refinement; and (ii) Multi-Branch Specialization module, that employs multiple functional branches, each instantiated as a flexible Kolmogorov-Arnold Network (KAN) with a distinct functional order to model a specific spectral subband. Equipped with these modules, WaveTuner comprehensively tunes global trends and local variations within a unified time-frequency framework. Extensive experiments on eight real-world datasets demonstrate WaveTuner achieves state-of-the-art forecasting performance in time series forecasting.
• Abstract（参考訳）: 本質的な複雑さのため、実世界の時系列の時間的パターンは、長期周期性、短期変動、急激な政権交代を含む複数の中間スケールで進化することが多い。 従来の文献では、時間領域や周波数領域に基づいて、トレンド・シーズン成分と高周波数成分を分割する高度な分解手法が数多く設計されているが、ウェーブレット領域に基づく代替の手法が提案されており、正確な時間周波数ローカライゼーションによる多重分解表現が提案されている。 しかし、ほとんどのウェーブレットベースの手法は、低周波成分のみを再帰的に分解するための永続的なバイアスに悩まされ、正確な時系列予測に欠かせない微妙で情報的な高周波成分を著しく過小評価している。 この問題に対処するために、時系列予測のためのフルスペクトルサブバンドチューニングによって強化されたウェーブレット分解フレームワークWaveTunerを提案する。 具体的には、WaveTunerは2つの重要なモジュールから構成される。 一 時系列を時間周波数係数に変換する適応ウェーブレットリファインメントモジュールで、適応ルータを用いてサブバンドウェイトを動的に割り当て、サブバンド固有の埋め込みを生成して改良を支援する。 (II)マルチブランチ・スペシャライゼーション・モジュールは、複数の機能分岐を用いており、それぞれ特定のスペクトルサブバンドをモデル化する独自の機能順序を持つフレキシブルなコルモゴロフ・アルノルドネットワーク(KAN)としてインスタンス化されている。 これらのモジュールを装備したWaveTunerは、統合された時間周波数フレームワーク内で、グローバルなトレンドとローカルなバリエーションを包括的に調整する。 実世界の8つのデータセットに対する大規模な実験は、WaveTunerが時系列予測において最先端の予測性能を達成することを実証している。

関連論文リスト

• AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting [12.450099337354017]
  適応ウェーブレット強化ミキサーネットワークであるAWEMixerを提案する。 周波数ルータは、Fast Fourier Transformによって達成された大域的周期パターンを利用して、局所化ウェーブレットサブバンドを適応的に重み付けする。 コヒーレントゲート融合ブロックは、多スケール時間表現による顕著な周波数特徴の選択的統合を実現する。
  論文  参考訳（メタデータ） (2025-11-06T11:27:12Z)
• WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation [15.28917997999402]
  WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。 最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
  論文  参考訳（メタデータ） (2025-10-13T18:47:33Z)
• 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)
• Stationarity Exploration for Multivariate Time Series Forecasting [16.66747488602513]
  APRNet(Amplitude-Phase Reconstruct Network)を提案する。 APRNetは振幅と位相の相互関係をモデル化し、振幅と位相が異なる物理量で制約されるのを防ぐ。 局所関数に適応的に適合する新しいKLCモジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:15:51Z)
• Multi-Order Wavelet Derivative Transform for Deep Time Series Forecasting [40.57415617022347]
  我々はWDT(Walterlet Derivative Transform)を導入し、全体的な傾向と微妙な変動にまたがる時間認識パターンの抽出を可能にする。 実際に、WDTをWaveTSという名前のマルチブランチフレームワークに組み込み、入力系列をマルチスケールの時間周波数係数に分解し、線形層を介してそれらを洗練し、逆WDTを介して時間領域に再構成する。 10のベンチマークデータセットの実験では、WaveTSは高い計算効率を維持しながら最先端の予測精度を達成している。
  論文  参考訳（メタデータ） (2025-05-17T01:24:09Z)
• 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)
• BEAT: Balanced Frequency Adaptive Tuning for Long-Term Time-Series Forecasting [46.922741972636025]
  時系列予測は、天気予報や金融市場モデリングを含む多くの現実世界のアプリケーションにとって不可欠である。 BEAT(Balanced frequency Adaptive Tuning)は、各周波数のトレーニング状況を監視し、勾配更新を適応的に調整する新しいフレームワークである。 BEATは7つの実世界のデータセットの実験において、最先端のアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-31T11:52:35Z)
• 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)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)

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。