論文の概要: ASGMamba: Adaptive Spectral Gating Mamba for Multivariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2602.01668v1
- Date: Mon, 02 Feb 2026 05:38:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.925504
- Title: ASGMamba: Adaptive Spectral Gating Mamba for Multivariate Time Series Forecasting
- Title（参考訳）: ASGMamba: 多変量時系列予測のための適応スペクトルゲーティングマンバ
- Authors: Qianyang Li, Xingjun Zhang, Shaoxun Wang, Jia Wei, Yueqi Xing,
- Abstract要約: 資源制約のあるスーパーコンピュータ環境のための効率的な予測フレームワークASGMambaを提案する。
ASGMambaは、局所スペクトルエネルギーに基づいて動的にノイズをフィルタリングする軽量のAdaptive Spectral Gatingメカニズムを統合している。
9つのベンチマークの実験は、ASGMambaが最先端の精度を達成することを示した。
- 参考スコア（独自算出の注目度）: 11.796087740391014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term multivariate time series forecasting (LTSF) plays a crucial role in various high-performance computing applications, including real-time energy grid management and large-scale traffic flow simulation. However, existing solutions face a dilemma: Transformer-based models suffer from quadratic complexity, limiting their scalability on long sequences, while linear State Space Models (SSMs) often struggle to distinguish valuable signals from high-frequency noise, leading to wasted state capacity. To bridge this gap, we propose ASGMamba, an efficient forecasting framework designed for resource-constrained supercomputing environments. ASGMamba integrates a lightweight Adaptive Spectral Gating (ASG) mechanism that dynamically filters noise based on local spectral energy, enabling the Mamba backbone to focus its state evolution on robust temporal dynamics. Furthermore, we introduce a hierarchical multi-scale architecture with variable-specific Node Embeddings to capture diverse physical characteristics. Extensive experiments on nine benchmarks demonstrate that ASGMamba achieves state-of-the-art accuracy. While keeping strictly $$\mathcal{O}(L)$$ complexity we significantly reduce the memory usage on long-horizon tasks, thus establishing ASGMamba as a scalable solution for high-throughput forecasting in resource limited environments.The code is available at https://github.com/hit636/ASGMamba
- Abstract（参考訳）: リアルタイムエネルギーグリッド管理や大規模トラフィックフローシミュレーションなど,様々な高性能コンピューティングアプリケーションにおいて,長期多変量時系列予測(LTSF)が重要な役割を担っている。
トランスフォーマーベースのモデルは2次複雑さに悩まされ、長いシーケンスでのスケーラビリティが制限される一方、線形状態空間モデル(SSM)は高周波数ノイズから貴重な信号の識別に苦慮し、状態容量を浪費する。
このギャップを埋めるため,資源制約のあるスーパーコンピュータ環境向けに設計された効率的な予測フレームワークASGMambaを提案する。
ASGMambaは、局所スペクトルエネルギーに基づいて動的にノイズをフィルタリングする軽量な適応スペクトルゲーティング(ASG)機構を統合し、Mambaのバックボーンは、その状態進化を堅牢な時間的ダイナミクスに焦点を合わせることができる。
さらに,多様な物理特性を捉えるために,変数固有のNode Embeddingsを備えた階層型マルチスケールアーキテクチャを導入する。
9つのベンチマークでの大規模な実験は、ASGMambaが最先端の精度を達成することを示した。
厳密に$$\mathcal{O}(L)$$の複雑さを維持しながら、長い水平タスクのメモリ使用量を著しく削減し、リソース制限された環境で高スループットの予測を行うスケーラブルなソリューションとしてASGMambaを確立する。
関連論文リスト
- FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。
動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。
Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-09-30T06:02:26Z) - FLDmamba: Integrating Fourier and Laplace Transform Decomposition with Mamba for Enhanced Time Series Prediction [35.500889115486025]
時系列予測は、様々な領域において重要な課題であり、時系列データの本質的な複雑さのために大きな課題に直面している。
Mambaのような状態空間モデルの最近の進歩は、長期モデリングのより効率的な代替手段を提供するが、マルチスケールの周期性と過渡的なダイナミクスを効果的に捉えることはできない。
本稿では,これらの制約に対処する新しいフレームワークFLDmambaを提案する。
論文 参考訳（メタデータ） (2025-07-17T05:39:15Z) - VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。
大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。
水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。
本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
論文 参考訳（メタデータ） (2025-05-02T12:21:44Z) - UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。
U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。
UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
論文 参考訳（メタデータ） (2024-10-15T04:56:43Z) - Oscillatory State-Space Models [61.923849241099184]
長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。
高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。
我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
論文 参考訳（メタデータ） (2024-10-04T22:00:13Z) - Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。
マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。
HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z) - TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
時系列データは、その固有の長短の依存関係によって特徴づけられる。
本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。
我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
論文 参考訳（メタデータ） (2024-04-12T13:41:29Z)
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。