論文の概要: AltTS: A Dual-Path Framework with Alternating Optimization for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.11533v1
• Date: Thu, 12 Feb 2026 03:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.625916
• Title: AltTS: A Dual-Path Framework with Alternating Optimization for Multivariate Time Series Forecasting
• Title（参考訳）: AltTS:多変量時系列予測の代替最適化を備えたデュアルパスフレームワーク
• Authors: Zhihang Yuan, Zhiyuan Liu, Mahesh K. Marina,
• Abstract要約: 本稿では,自己回帰と相互関係モデリングを明確に分離するデュアルパスフレームワークであるALTSを提案する。 ALTTSは従来手法よりも優れており, 長期予測の精度が向上している。
• 参考スコア（独自算出の注目度）: 27.971282358985604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series forecasting involves two qualitatively distinct factors: (i) stable within-series autoregressive (AR) dynamics, and (ii) intermittent cross-dimension interactions that can become spurious over long horizons. We argue that fitting a single model to capture both effects creates an optimization conflict: the high-variance updates needed for cross-dimension modeling can corrupt the gradients that support autoregression, resulting in brittle training and degraded long-horizon accuracy. To address this, we propose ALTTS, a dual-path framework that explicitly decouples autoregression and cross-relation (CR) modeling. In ALTTS, the AR path is instantiated with a linear predictor, while the CR path uses a Transformer equipped with Cross-Relation Self-Attention (CRSA); the two branches are coordinated via alternating optimization to isolate gradient noise and reduce cross-block interference. Extensive experiments on multiple benchmarks show that ALTTS consistently outperforms prior methods, with the most pronounced improvements on long-horizon forecasting. Overall, our results suggest that carefully designed optimization strategies, rather than ever more complex architectures, can be a key driver of progress in multivariate time series forecasting.
• Abstract（参考訳）: 多変量時系列予測には2つの定性的な要因がある。 (i)シリーズ内安定自己回帰(AR)ダイナミクス、及び (II)長い地平線上で突発的となる断続的断続的断面積相互作用。 クロス次元モデリングに必要な高分散更新は、自己回帰をサポートする勾配を破損させ、不安定なトレーニングと長期水平精度の低下をもたらす。 そこで本稿では,自己回帰と相互相関(CR)モデリングを明確に分離するデュアルパスフレームワークであるALTSを提案する。 ALTTSでは、ARパスは線形予測器でインスタンス化され、CRパスはクロスリレーション自己注意(CRSA)を備えたトランスフォーマーを使用し、2つのブランチは交互に最適化されて勾配ノイズを分離し、クロスブロック干渉を低減する。 複数のベンチマークでの大規模な実験により、ALTTSは従来手法よりも一貫して優れており、長距離予測において最も顕著な改善が見られた。 全体として、より複雑なアーキテクチャではなく、慎重に設計された最適化戦略が、多変量時系列予測の進歩の鍵となる可能性があることを示唆している。

関連論文リスト

• Improving Day-Ahead Grid Carbon Intensity Forecasting by Joint Modeling of Local-Temporal and Cross-Variable Dependencies Across Different Frequencies [3.1953619915392246]
  グリッドカーボン強度係数(CIF)の正確な予測は、現代の電力システムにおける需要側管理と排出削減に不可欠である。 ディープラーニングベースの手法の進歩にもかかわらず、きめ細かい局所的依存関係を捉えることは依然として困難である。 2つの並列モジュールを統合する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-10T11:20:55Z)
• TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting [1.2461503242570642]
  本稿では,時系列予測のための新しいハイブリッドフレームワークTS2Vec-Ensembleを紹介する。 我々のアプローチは、周期周期を符号化する明示的でエンジニアリングされた時間特徴を融合することにより、事前訓練されたTS2Vecエンコーダから、強力で暗黙的に学習されたダイナミクスを強化する。 その結果、TS2Vec-Ensembleは標準のTS2Vecベースラインや他の最先端モデルよりも一貫して、大幅に優れていた。
  論文  参考訳（メタデータ） (2025-11-27T12:19:18Z)
• PatchTraj: Unified Time-Frequency Representation Learning via Dynamic Patches for Trajectory Prediction [14.48846131633279]
  軌道予測のための時間周波数ジョイントモデリングを統合した動的パッチベースのフレームワークを提案する。 具体的には、軌道を生の時間列と周波数成分に分解し、動的パッチ分割を用いてマルチスケールセグメンテーションを行う。 その結果、拡張された埋め込みは強力な表現力を示し、バニラアーキテクチャを使用した場合でも正確な予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-25T09:55:33Z)
• AutoHFormer: Efficient Hierarchical Autoregressive Transformer for Time Series Prediction [36.239648954658534]
  時系列予測には、3つの競合する目標を同時に達成するアーキテクチャが必要である。 本稿では,これらの課題に対処する階層型自己回帰変換器であるAutoHFormerを紹介する。 総合的な実験により、AutoHFormer 10.76XはP08のPatchTSTと比較して高速なトレーニングと6.06倍のメモリ削減を示した。
  論文  参考訳（メタデータ） (2025-06-19T03:47:04Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
  本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。 我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。 提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
  論文  参考訳（メタデータ） (2024-06-06T05:27:33Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
  ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。 まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。 第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:18:47Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。