論文の概要: A General ReLearner: Empowering Spatiotemporal Prediction by Re-learning Input-label Residual

• arxiv url: http://arxiv.org/abs/2602.02563v1
• Date: Fri, 30 Jan 2026 17:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.936157
• Title: A General ReLearner: Empowering Spatiotemporal Prediction by Re-learning Input-label Residual
• Title（参考訳）: 一般リラーナー:入力-ラベル残差の再学習による時空間予測の強化
• Authors: Jiaming Ma, Binwu Wang, Pengkun Wang, Xu Wang, Zhengyang Zhou, Yang Wang,
• Abstract要約: ReLearnerは、逆学習プロセスを通じて双方向学習機能でSNNを拡張するモジュールである。 ReLearnerは既存のSTNNの予測性能を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 29.391374009383355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prevailing spatiotemporal prediction models typically operate under a forward (unidirectional) learning paradigm, in which models extract spatiotemporal features from historical observation input and map them to target spatiotemporal space for future forecasting (label). However, these models frequently exhibit suboptimal performance when spatiotemporal discrepancies exist between inputs and labels, for instance, when nodes with similar time-series inputs manifest distinct future labels, or vice versa. To address this limitation, we propose explicitly incorporating label features during the training phase. Specifically, we introduce the Spatiotemporal Residual Theorem, which generalizes the conventional unidirectional spatiotemporal prediction paradigm into a bidirectional learning framework. Building upon this theoretical foundation, we design an universal module, termed ReLearner, which seamlessly augments Spatiotemporal Neural Networks (STNNs) with a bidirectional learning capability via an auxiliary inverse learning process. In this process, the model relearns the spatiotemporal feature residuals between input data and future data. The proposed ReLearner comprises two critical components: (1) a Residual Learning Module, designed to effectively disentangle spatiotemporal feature discrepancies between input and label representations; and (2) a Residual Smoothing Module, employed to smooth residual terms and facilitate stable convergence. Extensive experiments conducted on 11 real-world datasets across 14 backbone models demonstrate that ReLearner significantly enhances the predictive performance of existing STNNs.Our code is available on GitHub.
• Abstract（参考訳）: 一般的な時空間予測モデルは通常、前(一方向)の学習パラダイムの下で動作し、モデルが過去の観測入力から時空間の特徴を抽出し、将来の予測(ラベル)のために時空間をターゲットにマッピングする。 しかし、これらのモデルは、例えば、類似の時系列入力を持つノードが、異なる将来のラベルを示す場合や、その逆の場合など、入力とラベルの間に時空間的不一致が存在する場合、しばしば最適性能を示す。 この制限に対処するため、トレーニング期間中にラベル機能を明示的に取り入れることを提案する。 具体的には、従来の一方向時空間予測パラダイムを双方向学習フレームワークに一般化した時空間残差定理を導入する。 この理論の基礎の上に、我々はReLearnerと呼ばれるユニバーサルモジュールを設計し、補助的逆学習プロセスを通じて双方向学習能力で時空間ニューラルネットワーク(STNN)をシームレスに拡張する。 このプロセスでは、入力データと将来のデータの間の時空間的特徴残差を再現する。 提案するReLearnerは,(1)入力とラベル表現の時空間的特徴の不一致を効果的に解消するために設計されたResidual Learning Module,(2)スムーズな残差項に使用し,安定した収束を容易にするResidual Smoothing Moduleの2つの重要なコンポーネントから構成される。 14のバックボーンモデルにまたがる11の現実世界データセットで実施された大規模な実験では、ReLearnerが既存のSTNNの予測パフォーマンスを大幅に向上することが示された。

関連論文リスト

• How Different from the Past? Spatio-Temporal Time Series Forecasting with Self-Supervised Deviation Learning [15.102926671713668]
  時空間連続時間予測フレームワークST-SSDLを提案する。 典型的な時間パターンを表す学習可能なプロトタイプを用いて潜在空間を識別する。 実験によると、ST-SSDLは複数のメトリクスで常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-06T15:21:13Z)
• CSTA: Spatial-Temporal Causal Adaptive Learning for Exemplar-Free Video Class-Incremental Learning [62.69917996026769]
  クラスインクリメンタルな学習課題は、空間的外観と時間的行動の関与の両方を学習し、保存することを必要とする。 本稿では,各クラス固有のインクリメンタル情報要件を調整し,新しいクラスパターンを学習するためのアダプタを分離するフレームワークを提案する。 異なる種類の情報間のインクリメントと記憶の衝突を減らすために,因果補償機構を提案する。
  論文  参考訳（メタデータ） (2025-01-13T11:34:55Z)
• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• USTEP: Spatio-Temporal Predictive Learning under A Unified View [62.58464029270846]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Learning to Reconstruct Missing Data from Spatiotemporal Graphs with Sparse Observations [11.486068333583216]
  本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。 我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。 技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
  論文  参考訳（メタデータ） (2022-05-26T16:40:48Z)

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。