論文の概要: ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.20611v1
• Date: Wed, 28 Jan 2026 13:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.953161
• Title: ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting
• Title（参考訳）: ACFormer: 時系列予測のための自動畳み込みエンコーダによる非線形性軽減
• Authors: Gawon Lee, Hanbyeol Park, Minseop Kim, Dohee Kim, Hyerim Bae,
• Abstract要約: 時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。 本稿では,線形射影の効率を,畳み込みの非線形特徴抽出力と整合させるアーキテクチャであるACFormerを提案する。
• 参考スコア（独自算出の注目度）: 6.27761817493579
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series forecasting (TSF) faces challenges in modeling complex intra-channel temporal dependencies and inter-channel correlations. Although recent research has highlighted the efficiency of linear architectures in capturing global trends, these models often struggle with non-linear signals. To address this gap, we conducted a systematic receptive field analysis of convolutional neural network (CNN) TSF models. We introduce the "individual receptive field" to uncover granular structural dependencies, revealing that convolutional layers act as feature extractors that mirror channel-wise attention while exhibiting superior robustness to non-linear fluctuations. Based on these insights, we propose ACFormer, an architecture designed to reconcile the efficiency of linear projections with the non-linear feature-extraction power of convolutions. ACFormer captures fine-grained information through a shared compression module, preserves temporal locality via gated attention, and reconstructs variable-specific temporal patterns using an independent patch expansion layer. Extensive experiments on multiple benchmark datasets demonstrate that ACFormer consistently achieves state-of-the-art performance, effectively mitigating the inherent drawbacks of linear models in capturing high-frequency components.
• Abstract（参考訳）: 時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。 近年の研究では、グローバルトレンドを捉える上での線形アーキテクチャの効率が強調されているが、これらのモデルは非線形信号としばしば競合する。 このギャップに対処するため,我々は畳み込みニューラルネットワーク(CNN)TSFモデルの体系的受容場解析を行った。 本研究では, 細粒な構造的依存関係を明らかにするために, 「個別受容場」を導入し, 畳み込み層が特徴抽出器として機能し, 非線形揺らぎに対して優れたロバスト性を示した。 これらの知見に基づいて、線形射影の効率と、畳み込みの非線形特徴抽出パワーを調和させるアーキテクチャであるACFormerを提案する。 ACFormerは共有圧縮モジュールを通じて詳細な情報をキャプチャし、ゲートアテンションを通じて時間的局所性を保持し、独立したパッチ拡張層を使用して変数固有の時間的パターンを再構築する。 複数のベンチマークデータセットに対する大規模な実験により、ACFormerは一貫して最先端のパフォーマンスを実現し、高周波コンポーネントのキャプチャにおける線形モデル固有の欠点を効果的に軽減している。

関連論文リスト

• Learning solution operator of dynamical systems with diffusion maps kernel ridge regression [2.7802667650114485]
  本稿では,カーネルリッジ回帰(KRR)フレームワークが複雑な力学系の長期予測に強力なベースラインを提供することを示す。 広い範囲のシステムにおいて、DM-KRRは、最先端のランダム機能、ニューラルネットワーク、演算子学習法を精度とデータ効率の両方で一貫して上回っている。
  論文  参考訳（メタデータ） (2025-12-19T03:29:23Z)
• Time Extrapolation with Graph Convolutional Autoencoder and Tensor Train Decomposition [9.446359051690292]
  非構造格子上のパラメータ化偏微分方程式に対する時間一貫性の縮小次数モデルを開発する。 特に、高忠実度スナップショットは、TT分解によるパラメトリック、空間、時間コアの組み合わせとして表現される。 我々はディープ・オペレーター・ネットワーク(DeepONet)のフレームワークにおける多要素二段階アプローチの開発により一般化性能を向上させる。 熱伝導, 対流拡散, 渦破断現象などの数値計算結果は, 複雑な測地における外挿系における力学を効果的に学習する上で, 優れた性能を示した。
  論文  参考訳（メタデータ） (2025-11-28T09:59:17Z)
• 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)
• AverageTime: Enhance Long-Term Time Series Forecasting with Simple Averaging [6.125620036017928]
  長期の時系列予測は、将来のトレンドを予測するために歴史的なデータを活用することに焦点を当てている。 主な課題は、シーケンスとチャネルの両方で依存関係を効果的にモデリングすることである。 本研究は,シーケンスとチャネルの依存関係をキャプチャするための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-30T05:56:25Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Stacking VAE with Graph Neural Networks for Effective and Interpretable Time Series Anomaly Detection [5.935707085640394]
  本研究では,実効かつ解釈可能な時系列異常検出のための,グラフニューラルネットワークを用いた自動エンコーダ(VAE)モデルを提案する。 我々は,提案モデルが3つの公開データセットの強いベースラインを上回っており,大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T09:50:00Z)

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。