論文の概要: CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.20318v1
• Date: Wed, 28 Jan 2026 07:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.815157
• Title: CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting
• Title（参考訳）: CPiRi:多変量時系列予測のためのチャネル置換-不変リレーショナルインタラクション
• Authors: Jiyuan Xu, Wenyu Zhang, Xin Jing, Shuai Chen, Shuai Zhang, Jiahao Nie,
• Abstract要約: チャネル依存モデルはチャネル間の特徴を学習するが、しばしばチャネルの順序付けに適合する。 チャネルに依存しないモデルは、各チャネルを分離して柔軟性を高めるが、チャネル間の依存関係を無視し、性能を制限する。 固定順序を記憶するのではなく,データからチャネル間構造を推定するフレームワークである textbfCPiRi を提案する。
• 参考スコア（独自算出の注目度）: 21.579831447953243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current methods for multivariate time series forecasting can be classified into channel-dependent and channel-independent models. Channel-dependent models learn cross-channel features but often overfit the channel ordering, which hampers adaptation when channels are added or reordered. Channel-independent models treat each channel in isolation to increase flexibility, yet this neglects inter-channel dependencies and limits performance. To address these limitations, we propose \textbf{CPiRi}, a \textbf{channel permutation invariant (CPI)} framework that infers cross-channel structure from data rather than memorizing a fixed ordering, enabling deployment in settings with structural and distributional co-drift without retraining. CPiRi couples \textbf{spatio-temporal decoupling architecture} with \textbf{permutation-invariant regularization training strategy}: a frozen pretrained temporal encoder extracts high-quality temporal features, a lightweight spatial module learns content-driven inter-channel relations, while a channel shuffling strategy enforces CPI during training. We further \textbf{ground CPiRi in theory} by analyzing permutation equivariance in multivariate time series forecasting. Experiments on multiple benchmarks show state-of-the-art results. CPiRi remains stable when channel orders are shuffled and exhibits strong \textbf{inductive generalization} to unseen channels even when trained on \textbf{only half} of the channels, while maintaining \textbf{practical efficiency} on large-scale datasets. The source code is released at https://github.com/JasonStraka/CPiRi.
• Abstract（参考訳）: 多変量時系列予測の現在の手法は、チャネルに依存しないモデルとチャネルに依存しないモデルに分類される。 チャネル依存モデルはチャネル間の特徴を学習するが、しばしばチャネルの順序付けに適合する。 チャネルに依存しないモデルは、各チャネルを分離して柔軟性を高めるが、チャネル間の依存関係を無視し、性能を制限する。 これらの制約に対処するために,固定順序を記憶するのではなく,データからチャネル間構造を推論し,構造的および分散的共ドリフトによる配置を再訓練することなく実現するフレームワークである \textbf{CPiRi} を提案する。 CPiRi couples \textbf{spatio-temporal decoupling architecture} with \textbf{permutation-invariant regularization training}: 凍結した時間エンコーダは高品質な時間的特徴を抽出し、軽量空間モジュールはコンテンツ駆動のチャネル間関係を学習し、チャネルシャッフル戦略はトレーニング中にCPIを強制する。 さらに、多変量時系列予測における置換同値の解析により、理論におけるtextbf{ground CPiRi も解析する。 複数のベンチマークの実験は、最先端の結果を示している。 CPiRiは、チャネルオーダがシャッフルされたままであり、大規模なデータセット上で \textbf{practical efficiency} を維持しながら、チャネルの \textbf{only half} でトレーニングされた場合でも、未確認チャネルに対して強い \textbf{inductive generalization} を示す。 ソースコードはhttps://github.com/JasonStraka/CPiRiで公開されている。

関連論文リスト

• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• A CGAN-LSTM-Based Framework for Time-Varying Non-Stationary Channel Modeling [18.899432402460565]
  本稿では,非定常チャネル特性の進化を捉えるために,長期的動的チャネルの生成を強調した。 本研究では,条件付き生成逆数ネットワーク(CGAN)と長期記憶ネットワーク(LSTM)を組み合わせたハイブリッドディープラーニングフレームワークを提案する。 定常性に制約されたアプローチは、生成された時系列チャネルの時間的相関を保証するように設計されている。
  論文  参考訳（メタデータ） (2025-03-03T03:27:45Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)

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。