論文の概要: M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.08631v1
• Date: Tue, 13 Jan 2026 15:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.251918
• Title: M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting
• Title（参考訳）: M$^2$FMoE:超適応時系列予測のためのマルチリゾリューションマルチビュー周波数混合器
• Authors: Yaohui Huang, Runmin Zou, Yun Wang, Laeeq Aslam, Ruipeng Dong,
• Abstract要約: M$2$FMoEは、マルチレゾリューションとマルチビューの周波数モデリングにより、正規パターンと極端なパターンの両方を学ぶ。 極端なパターンを持つ実世界の水文科学データセットの実験は、M$2$FMoEが最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 6.89383702832204
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasting time series with extreme events is critical yet challenging due to their high variance, irregular dynamics, and sparse but high-impact nature. While existing methods excel in modeling dominant regular patterns, their performance degrades significantly during extreme events, constituting the primary source of forecasting errors in real-world applications. Although some approaches incorporate auxiliary signals to improve performance, they still fail to capture extreme events' complex temporal dynamics. To address these limitations, we propose M$^2$FMoE, an extreme-adaptive forecasting model that learns both regular and extreme patterns through multi-resolution and multi-view frequency modeling. It comprises three modules: (1) a multi-view frequency mixture-of-experts module assigns experts to distinct spectral bands in Fourier and Wavelet domains, with cross-view shared band splitter aligning frequency partitions and enabling inter-expert collaboration to capture both dominant and rare fluctuations; (2) a multi-resolution adaptive fusion module that hierarchically aggregates frequency features from coarse to fine resolutions, enhancing sensitivity to both short-term variations and sudden changes; (3) a temporal gating integration module that dynamically balances long-term trends and short-term frequency-aware features, improving adaptability to both regular and extreme temporal patterns. Experiments on real-world hydrological datasets with extreme patterns demonstrate that M$^2$FMoE outperforms state-of-the-art baselines without requiring extreme-event labels.
• Abstract（参考訳）: 極端な事象を伴う予測時系列は、その高いばらつき、不規則な力学、スパースだが高影響の性質のため、非常に難しい。 既存の手法は支配的な規則パターンをモデル化する上で優れているが、その性能は極端なイベントの間に著しく低下し、現実のアプリケーションにおける予測エラーの主な原因を構成する。 性能向上のために補助信号を含むアプローチもあるが、極端な事象の複雑な時間的ダイナミクスを捉えることに失敗している。 これらの制約に対処するために、M$^2$FMoEを提案する。これは、マルチレゾリューションとマルチビューの周波数モデリングにより、正規パターンと極端なパターンの両方を学習する極適応予測モデルである。 本モジュールは,(1)Fourier と Wavelet ドメインの異なるスペクトル帯域に専門家を割り当てる多視点周波数混合モジュール,(2) 周波数分割を整合させたクロスビュー共有バンドスプリッタ,(2) 周波数特性を階層的に階層的に集約する多次元適応核融合モジュール,(3) 短期変動と急激な変化の両方に対する感度を高める,(3) 長期トレンドと短期周波数認識の特徴を動的にバランスさせる時間的ゲーティング統合モジュール,の3つのモジュールから構成される。 極端なパターンを持つ実世界の水文科学データセットの実験は、M$^2$FMoEが極端に異常なラベルを必要とせず、最先端のベースラインより優れていることを示した。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• WaveTuner: Comprehensive Wavelet Subband Tuning for Time Series Forecasting [22.28753360953834]
  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。
  論文  参考訳（メタデータ） (2025-11-24T07:33:35Z)
• 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)
• 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)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting [6.733646592789575]
  長期時系列予測(LTSF)は、電力消費計画、財務予測、疾病の伝播分析など、多くの実世界の応用において重要である。 MMFNetは,マルチスケールマスク付き周波数分解手法を利用して,長期多変量予測を向上する新しいモデルである。 MMFNetは、時系列を様々なスケールの周波数セグメントに変換し、学習可能なマスクを用いて非関連成分を適応的にフィルタリングすることで、微細で中間的で粗い時間パターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-02T22:38:20Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。