論文の概要: Dual-Prototype Disentanglement: A Context-Aware Enhancement Framework for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.16632v1
• Date: Fri, 23 Jan 2026 10:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.637775
• Title: Dual-Prototype Disentanglement: A Context-Aware Enhancement Framework for Time Series Forecasting
• Title（参考訳）: Dual-Prototype Disentanglement:時系列予測のためのコンテキスト認識拡張フレームワーク
• Authors: Haonan Yang, Jianchao Tang, Zhuo Li,
• Abstract要約: 本稿では,予測モデルにパターンの絡み合いとコンテキスト認識適応の能力を持たせるモデル非依存補助手法を提案する。 具体的には、動的デュアルタイプバンク(DDP)を構築し、高頻度傾向や季節パターンを捉えるために、強い時間的先行時間を持つ共通のパターンバンクを構成する。 また,DGLoss(Disentanglement-Guided Loss)を導入し,各プロトタイプバンクが,包括的カバレッジを維持しつつ,指定された役割を担っていることを確認した。
• 参考スコア（独自算出の注目度）: 5.764294765094398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting has witnessed significant progress with deep learning. While prevailing approaches enhance forecasting performance by modifying architectures or introducing novel enhancement strategies, they often fail to dynamically disentangle and leverage the complex, intertwined temporal patterns inherent in time series, thus resulting in the learning of static, averaged representations that lack context-aware capabilities. To address this, we propose the Dual-Prototype Adaptive Disentanglement framework (DPAD), a model-agnostic auxiliary method that equips forecasting models with the ability of pattern disentanglement and context-aware adaptation. Specifically, we construct a Dynamic Dual-Prototype bank (DDP), comprising a common pattern bank with strong temporal priors to capture prevailing trend or seasonal patterns, and a rare pattern bank dynamically memorizing critical yet infrequent events, and then an Dual-Path Context-aware routing (DPC) mechanism is proposed to enhance outputs with selectively retrieved context-specific pattern representations from the DDP. Additionally, we introduce a Disentanglement-Guided Loss (DGLoss) to ensure that each prototype bank specializes in its designated role while maintaining comprehensive coverage. Comprehensive experiments demonstrate that DPAD consistently improves forecasting performance and reliability of state-of-the-art models across diverse real-world benchmarks.
• Abstract（参考訳）: 時系列予測は深層学習で大きな進歩をみせた。 アーキテクチャの変更や新しい拡張戦略の導入によって予測性能が向上する一方で、時系列に固有の複雑な時間パターンを動的に切り離し、活用することができず、結果として文脈認識能力に欠ける静的な平均表現が学習される。 そこで本研究では,予測モデルにパターン・アンタングルと文脈認識適応の能力を持たせるモデルに依存しない補助手法であるDual-Prototype Adaptive Disentanglement framework (DPAD)を提案する。 具体的には、高頻度傾向や季節パターンを捉えるために、強い時間的先行性を持つ共通パターンバンクと、重要かつ頻繁な事象を動的に記憶するレアパターンバンクとを構成し、DDPから選択的に抽出された文脈固有パターン表現を用いて出力を高めるために、デュアルパスコンテキスト対応ルーティング(DPC)機構を提案する。 さらに,各プロトタイプバンクが,包括的カバレッジを維持しつつ,指定された役割を担っていることを保証するために,DGLos(Disentanglement-Guided Loss)を導入する。 総合的な実験により、DPADは様々な実世界のベンチマークにおいて、最先端モデルの予測性能と信頼性を一貫して改善することを示した。

関連論文リスト

• Generative Actor Critic [74.04971271003869]
  Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。 Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-12-25T06:31:11Z)
• TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting [1.2461503242570642]
  本稿では,時系列予測のための新しいハイブリッドフレームワークTS2Vec-Ensembleを紹介する。 我々のアプローチは、周期周期を符号化する明示的でエンジニアリングされた時間特徴を融合することにより、事前訓練されたTS2Vecエンコーダから、強力で暗黙的に学習されたダイナミクスを強化する。 その結果、TS2Vec-Ensembleは標準のTS2Vecベースラインや他の最先端モデルよりも一貫して、大幅に優れていた。
  論文  参考訳（メタデータ） (2025-11-27T12:19:18Z)
• Leveraging Duration Pseudo-Embeddings in Multilevel LSTM and GCN Hypermodels for Outcome-Oriented PPM [4.120576565537633]
  予測プロセス監視(PPM)のための既存のディープラーニングモデルは、時間的不規則性に悩まされている。 本稿では,イベント属性とシーケンス属性を分離する2つの入力ニューラルネットワーク戦略を提案する。 提案手法の利点を実証し,実世界の堅牢なPPMアプリケーションのためのフレキシブルな設計を提供する。
  論文  参考訳（メタデータ） (2025-11-24T07:06:08Z)
• ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting [0.5213778368155993]
  時系列予測は、ファイナンスからサプライチェーン管理までの領域で必須である。 本稿では,マルチホライズン予測のための新しい解析手法であるForecastGANを紹介する。 ForecastGANは、短期予測のための最先端のトランスフォーマーモデルより一貫して優れており、長期水平線では競争力を維持している。
  論文  参考訳（メタデータ） (2025-11-06T15:19:23Z)
• Foundation Models for Demand Forecasting via Dual-Strategy Ensembling [11.926658499983446]
  本研究では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上させるアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。
  論文  参考訳（メタデータ） (2025-07-29T17:56:38Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• UltraSTF: Ultra-Compact Model for Large-Scale Spatio-Temporal Forecasting [34.03281105180512]
  我々は,超コンパクトな形状のバンクコンポーネントとクロス周期予測コンポーネントを統合したUltraSTFを提案する。 本モデルでは,形状バンク成分の注意機構を用いて時系列の繰り返しパターンを効率的にキャプチャする。 UltraSTFは、LargeSTベンチマークの最先端のパフォーマンスを達成し、第2のベストメソッドで要求されるパラメータの0.2%未満を活用している。
  論文  参考訳（メタデータ） (2025-02-28T01:35:51Z)

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。