論文の概要: FreqLens: Interpretable Frequency Attribution for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2602.08768v1
- Date: Mon, 09 Feb 2026 15:08:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.315955
- Title: FreqLens: Interpretable Frequency Attribution for Time Series Forecasting
- Title（参考訳）: FreqLens: 時系列予測における解釈可能な周波数属性
- Authors: Chi-Sheng Chen, Xinyu Zhang, En-Jui Kuo, Guan-Ying Chen, Qiuzhe Xie, Fan Zhang,
- Abstract要約: textscFreqLensは、予測を学習可能な周波数コンポーネントに発見し、属性付けする予測フレームワークである。
トラフィックと天気のデータセットでは、textscFreqLensは競争力や優れたパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 14.238447299292822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting models often lack interpretability, limiting their adoption in domains requiring explainable predictions. We propose \textsc{FreqLens}, an interpretable forecasting framework that discovers and attributes predictions to learnable frequency components. \textsc{FreqLens} introduces two key innovations: (1) \emph{learnable frequency discovery} -- frequency bases are parameterized via sigmoid mapping and learned from data with diversity regularization, enabling automatic discovery of dominant periodic patterns without domain knowledge; and (2) \emph{axiomatic frequency attribution} -- a theoretically grounded framework that provably satisfies Completeness, Faithfulness, Null-Frequency, and Symmetry axioms, with per-frequency attributions equivalent to Shapley values. On Traffic and Weather datasets, \textsc{FreqLens} achieves competitive or superior performance while discovering physically meaningful frequencies: all 5 independent runs discover the 24-hour daily cycle ($24.6 \pm 0.1$h, 2.5\% error) and 12-hour half-daily cycle ($11.8 \pm 0.1$h, 1.6\% error) on Traffic, and weekly cycles ($10\times$ longer than the input window) on Weather. These results demonstrate genuine frequency-level knowledge discovery with formal theoretical guarantees on attribution quality.
- Abstract（参考訳）: 時系列予測モデルは解釈可能性に欠けることが多く、説明可能な予測を必要とする領域での採用を制限する。
本稿では、予測を学習可能な周波数成分に発見・属性付けする解釈可能な予測フレームワークである「textsc{FreqLens}」を提案する。
1) \emph{learnable frequency discovery} -- 周波数ベースはシグミドマッピングによってパラメータ化され、多様性の正規化によるデータから学習され、ドメイン知識なしで支配的な周期パターンの自動発見を可能にする。
トラフィックと天気のデータセットでは、 \textsc{FreqLens} は、物理的に有意な頻度を発見しながら、競争力または優れたパフォーマンスを達成する: すべての5つの独立した実行は、トラフィック上の24時間日周期 (24.6 \pm 0.1$h, 2.5\% エラー) と12時間半日周期 (11.8 \pm 0.1$h, 1.6\% エラー) と、天気の週間サイクル (10\times$) を発見する。
これらの結果は、帰属品質に関する公式な理論的保証を伴う真の周波数レベルの知識発見を示す。
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) - LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。
我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文 参考訳（メタデータ） (2025-06-20T14:48:42Z) - OLMA: One Loss for More Accurate Time Series Forecasting [33.984606618724364]
時系列予測は2つの重要な課題に直面するが、しばしば見過ごされる。
ニューラルネットワークは、時系列の状態空間をモデル化する際に周波数バイアスを示す。
本稿では,チャネルと時間次元の周波数領域変換を利用して予測を向上するOLMAという新しい損失関数を提案する。
論文 参考訳（メタデータ） (2025-05-16T09:17:15Z) - FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
本稿では,時系列データを周波数帯域に分解する周波数分解混合(FreqMoE)モデルを提案する。
ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。
FreqMoEは最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2025-01-25T08:25:52Z) - 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) - Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。
39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
論文 参考訳（メタデータ） (2024-10-14T13:01:11Z) - Not All Frequencies Are Created Equal:Towards a Dynamic Fusion of Frequencies in Time-Series Forecasting [9.615808695919647]
時系列予測手法は、異なるシナリオに適用する場合、柔軟であるべきです。
本稿では、各フーリエ成分を個別に予測し、異なる周波数の出力を動的に融合する周波数動的融合(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-07-17T08:54:41Z) - FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。
本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z) - Bayesian Reconstruction of Fourier Pairs [21.104218472462907]
一般的な文献は、観測結果の欠如や、ノイズの破損したデータには耐えられない。
我々の目的は、時間領域と周波数領域において、不特定に取得されたデータの原則的処理の欠如に対処することである。
提案モデルでは,実環境におけるオーディオ,医療,天文学的信号の共用時間と周波数再構成が可能であることを示す。
論文 参考訳（メタデータ） (2020-11-09T17:30:24Z)
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。