論文の概要: SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2512.14718v2
• Date: Thu, 18 Dec 2025 04:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 14:03:03.252893
• Title: SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting
• Title（参考訳）: SEED:多変量時系列予測のためのスペクトルエントロピー誘導による時空間依存性の評価
• Authors: Feng Xiong, Zongxia Xie, Yanru Sun, Haoyu Wang, Jianhong Lin,
• Abstract要約: 時空間依存モデリングのためのスペクトルエントロピー誘導評価フレームワークを開発した。 SEEDは各変数の空間的および時間的依存関係を予備評価し、モデルが適応的にチャネル独立(CI)とチャネル依存(CD)戦略のバランスをとることを可能にする。 SEEDは最先端のパフォーマンスを実現し、その有効性と汎用性を検証する。
• 参考スコア（独自算出の注目度）: 8.507253633170947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective multivariate time series forecasting often benefits from accurately modeling complex inter-variable dependencies. However, existing attention- or graph-based methods face three key issues: (a) strong temporal self-dependencies are often disrupted by irrelevant variables; (b) softmax normalization ignores and reverses negative correlations; (c) variables struggle to perceive their temporal positions. To address these, we propose \textbf{SEED}, a Spectral Entropy-guided Evaluation framework for spatial-temporal Dependency modeling. SEED introduces a Dependency Evaluator, a key innovation that leverages spectral entropy to dynamically provide a preliminary evaluation of the spatial and temporal dependencies of each variable, enabling the model to adaptively balance Channel Independence (CI) and Channel Dependence (CD) strategies. To account for temporal regularities originating from the influence of other variables rather than intrinsic dynamics, we propose Spectral Entropy-based Fuser to further refine the evaluated dependency weights, effectively separating this part. Moreover, to preserve negative correlations, we introduce a Signed Graph Constructor that enables signed edge weights, overcoming the limitations of softmax. Finally, to help variables perceive their temporal positions and thereby construct more comprehensive spatial features, we introduce the Context Spatial Extractor, which leverages local contextual windows to extract spatial features. Extensive experiments on 12 real-world datasets from various application domains demonstrate that SEED achieves state-of-the-art performance, validating its effectiveness and generality.
• Abstract（参考訳）: 効果的な多変量時系列予測は、しばしば複雑な相互変数の依存関係を正確にモデル化することの恩恵を受ける。 しかし、既存の注目またはグラフベースの手法は3つの大きな問題に直面している。 (a)強い時間的自己依存は、しばしば無関係な変数によって破壊される。 b)ソフトマックス正規化は、負の相関を無視し、逆にする。 (c)変数は時間的位置を認識するのに苦労する。 そこで本稿では,空間時間依存性モデリングのためのスペクトルエントロピー誘導評価フレームワークであるtextbf{SEED}を提案する。 SEEDは、スペクトルエントロピーを利用して各変数の空間的および時間的依存関係の予備的な評価を動的に提供する重要な革新である依存性評価器を導入し、モデルがチャネル独立(CI)とチャネル依存(CD)戦略を適応的にバランスさせることを可能にした。 固有力学ではなく,他の変数の影響から生じる時間的規則性を考慮するために,スペクトルエントロピーに基づくフーザーを提案し,評価された依存性重み付けをさらに洗練させ,この部分を効果的に分離する。 さらに, 負の相関性を維持するために, 符号付きエッジ重み付きグラフコンストラクタを導入し, ソフトマックスの限界を克服する。 最後に、変数が時間的位置を認識し、より包括的な空間的特徴を構築するのを助けるために、局所的な文脈的ウィンドウを活用して空間的特徴を抽出するコンテキスト空間的エクストラクタを導入する。 様々なアプリケーションドメインの12の実世界のデータセットに対する大規模な実験は、SEEDが最先端のパフォーマンスを達成し、その有効性と汎用性を検証することを実証している。

関連論文リスト

• Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection [2.893006778402251]
  時系列データでは、関連時系列の同時ずれにより異常を示すことができる。 我々のアプローチは、潜在空間における結合依存をモデル化することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-09-18T14:57:55Z)
• 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)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• 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)
• Reduced Spatial Dependency for More General Video-level Deepfake Detection [9.51656628987442]
  本稿では,複数の空間的摂動クラスタから共通の時間的整合性を統合した空間依存削減法を提案する。 大規模なベンチマークとアブレーション研究は、我々のアプローチの有効性と合理性を示している。
  論文  参考訳（メタデータ） (2025-03-05T08:51:55Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。