論文の概要: Spectral Text Fusion: A Frequency-Aware Approach to Multimodal Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.01588v2
• Date: Tue, 03 Feb 2026 05:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 16:18:58.850949
• Title: Spectral Text Fusion: A Frequency-Aware Approach to Multimodal Time-Series Forecasting
• Title（参考訳）: スペクトルテキスト融合:マルチモーダル時系列予測への周波数認識アプローチ
• Authors: Huu Hiep Nguyen, Minh Hoang Nguyen, Dung Nguyen, Hung Le,
• Abstract要約: SpecTFは、周波数領域における時系列に対するテキストデータの影響を統合するフレームワークである。 様々なマルチモーダル時系列データセットにおいて,SpecTFが最先端モデルを大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 7.885089945243776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal time series forecasting is crucial in real-world applications, where decisions depend on both numerical data and contextual signals. The core challenge is to effectively combine temporal numerical patterns with the context embedded in other modalities, such as text. While most existing methods align textual features with time-series patterns one step at a time, they neglect the multiscale temporal influences of contextual information such as time-series cycles and dynamic shifts. This mismatch between local alignment and global textual context can be addressed by spectral decomposition, which separates time series into frequency components capturing both short-term changes and long-term trends. In this paper, we propose SpecTF, a simple yet effective framework that integrates the effect of textual data on time series in the frequency domain. Our method extracts textual embeddings, projects them into the frequency domain, and fuses them with the time series' spectral components using a lightweight cross-attention mechanism. This adaptively reweights frequency bands based on textual relevance before mapping the results back to the temporal domain for predictions. Experimental results demonstrate that SpecTF significantly outperforms state-of-the-art models across diverse multi-modal time series datasets while utilizing considerably fewer parameters. Code is available at https://github.com/hiepnh137/SpecTF.
• Abstract（参考訳）: マルチモーダル時系列予測は、決定が数値データと文脈信号の両方に依存する実世界のアプリケーションにおいて重要である。 中心となる課題は、時間的数値パターンとテキストなどの他のモダリティに埋め込まれたコンテキストを効果的に組み合わせることである。 既存のほとんどの手法は、テキストの特徴と時系列パターンを1ステップずつ整列するが、時系列サイクルや動的シフトのようなコンテキスト情報の多スケールの時間的影響を無視する。 この局所的なアライメントと大域的なテキストコンテキストのミスマッチはスペクトル分解によって解決され、時系列を短期的な変化と長期的傾向の両方を捉える周波数成分に分離する。 本稿では,周波数領域における時系列に対するテキストデータの影響を統合する,シンプルで効果的なフレームワークであるSpecTFを提案する。 本手法は, テキスト埋め込みを抽出し, 周波数領域に投影し, 軽量なクロスアテンション機構を用いて時系列のスペクトル成分と融合する。 これは、予測のために結果を時間領域にマッピングする前に、テキストの関連性に基づいて周波数帯域を適応的に重み付けする。 実験結果から,SpecTFは,パラメータの少ないマルチモーダル時系列データセットにおいて,最先端モデルよりも大幅に優れていた。 コードはhttps://github.com/hiepnh137/SpecTF.comで入手できる。

関連論文リスト

• 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)
• BALM-TSF: Balanced Multimodal Alignment for LLM-Based Time Series Forecasting [5.360725360679271]
  BALM-TSFは時系列予測のための軽量フレームワークである。 時系列とテキスト埋め込みのバランスを維持する。 長期および少数ショットの予測において、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-30T22:31:55Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• 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)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• TempoGPT: Enhancing Time Series Reasoning via Quantizing Embedding [13.996105878417204]
  本稿では,マルチモーダル時系列データ構築手法とマルチモーダル時系列言語モデル(TLM, TempoGPT)を提案する。 ホワイトボックスシステム内の変数-システム関係を解析することにより,複雑な推論タスクのためのマルチモーダルデータを構築する。 広範な実験により、TempoGPTは時間的情報を正確に知覚し、結論を論理的に推論し、構築された複雑な時系列推論タスクにおける最先端の処理を達成することが示されている。
  論文  参考訳（メタデータ） (2025-01-13T13:47:05Z)
• Text2Freq: Learning Series Patterns from Text via Frequency Domain [8.922661807801227]
  Text2Freqは、周波数領域を介してテキストと時系列データを統合したモダリティモデルである。 実物価格と合成テキストのペアデータセットによる実験により,Text2Freqが最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2024-11-01T16:11:02Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)

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。