論文の概要: CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.18829v1
• Date: Sun, 25 Jan 2026 15:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:50.99614
• Title: CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting
• Title（参考訳）: CP損失:チャンネルワイド・パーセプティカル・ロスの時系列予測
• Authors: Yaohua Zha, Chunlin Fan, Peiyuan Liu, Yong Jiang, Tao Dai, Hai Wu, Shu-Tao Xia,
• Abstract要約: 時系列データに対するチャネルワイド知覚損失(CP損失)を提案する。 我々は,その特性に適応した各チャネルに対して,独自の知覚空間を学習する。 これらの知覚空間内で損失を計算し、モデルを最適化する。
• 参考スコア（独自算出の注目度）: 67.3477355449697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-channel time-series data, prevalent across diverse applications, is characterized by significant heterogeneity in its different channels. However, existing forecasting models are typically guided by channel-agnostic loss functions like MSE, which apply a uniform metric across all channels. This often leads to fail to capture channel-specific dynamics such as sharp fluctuations or trend shifts. To address this, we propose a Channel-wise Perceptual Loss (CP Loss). Its core idea is to learn a unique perceptual space for each channel that is adapted to its characteristics, and to compute the loss within this space. Specifically, we first design a learnable channel-wise filter that decomposes the raw signal into disentangled multi-scale representations, which form the basis of our perceptual space. Crucially, the filter is optimized jointly with the main forecasting model, ensuring that the learned perceptual space is explicitly oriented towards the prediction task. Finally, losses are calculated within these perception spaces to optimize the model. Code is available at https://github.com/zyh16143998882/CP_Loss.
• Abstract（参考訳）: 多様なアプリケーションにまたがるマルチチャネル時系列データは、異なるチャネルにおける大きな異質性によって特徴づけられる。 しかし、既存の予測モデルは、通常、MSEのようなチャネルに依存しない損失関数によって導かれる。 これはしばしば、シャープなゆらぎやトレンドシフトのようなチャネル固有のダイナミクスを捉えるのに失敗する。 そこで我々は,チャネルワイドの知覚損失(CP損失)を提案する。 その中核となる考え方は、それぞれのチャネルの特徴に適合する独自の知覚空間を学習し、この空間内での損失を計算することである。 具体的には、まず、学習可能なチャネルワイズフィルタを設計し、生の信号を非絡み合いのマルチスケール表現に分解し、知覚空間の基礎を形成する。 重要なことは、フィルタは主予測モデルと共同で最適化され、学習された知覚空間が予測タスクに明示的に向けられていることを保証する。 最後に、これらの知覚空間内で損失を計算し、モデルを最適化する。 コードはhttps://github.com/zyh16143998882/CP_Lossで入手できる。

関連論文リスト

• Diffusion Models for Accurate Channel Distribution Generation [19.80498913496519]
  強力な生成モデルはチャネル分布を正確に学習することができる。 これにより、チャネルの物理的測定の繰り返しコストを削減できる。 結果として得られる差別化チャネルモデルは、勾配ベースの最適化を可能にすることにより、ニューラルエンコーダのトレーニングをサポートする。
  論文  参考訳（メタデータ） (2023-09-19T10:35:54Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Alternating Channel Estimation and Prediction for Cell-Free mMIMO with Channel Aging: A Deep Learning Based Scheme [17.486123129104882]
  大規模動的無線ネットワークでは,チャネル推定(CE)によるオーバーヘッドの増大が主な性能ボトルネックとなっている。 本稿では,マルチインプット・マルチインプット・マルチアウトプット(mMIMO)システムにおいて,時間分割デュプレックス(TDD)のオーバヘッドを低減するためのハイブリッドチャネル推定・予測手法を提案する。
  論文  参考訳（メタデータ） (2022-04-16T20:27:01Z)
• Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
  我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。 LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-03-23T20:38:48Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• Massive MIMO Channel Prediction: Kalman Filtering vs. Machine Learning [18.939010023327498]
  本稿では,Multiple-input multiple-output (MIMO)システムにおけるチャネル予測手法について述べる。 ベクトルカルマンフィルタ(VKF)に基づくチャネル予測器と機械学習(ML)に基づくチャネル予測器を開発し比較する。
  論文  参考訳（メタデータ） (2020-09-21T15:47:34Z)

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。