論文の概要: U-Former ODE: Fast Probabilistic Forecasting of Irregular Time Series

• arxiv url: http://arxiv.org/abs/2602.11738v1
• Date: Thu, 12 Feb 2026 09:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.737945
• Title: U-Former ODE: Fast Probabilistic Forecasting of Irregular Time Series
• Title（参考訳）: U-Former ODE:不規則時系列の高速確率予測
• Authors: Ilya Kuleshov, Alexander Marusov, Alexey Zaytsev,
• Abstract要約: 不規則なサンプル時系列の確率予測は、医療や金融などの分野において重要である。 本稿では,U-Netの並列化可能なマルチスケール特徴抽出をシームレスに統合する新しいアーキテクチャであるUFOを紹介する。 UFOは予測精度で10の最先端の神経ベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 43.38565681834944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic forecasting of irregularly sampled time series is crucial in domains such as healthcare and finance, yet it remains a formidable challenge. Existing Neural Controlled Differential Equation (Neural CDE) approaches, while effective at modelling continuous dynamics, suffer from slow, inherently sequential computation, which restricts scalability and limits access to global context. We introduce UFO (U-Former ODE), a novel architecture that seamlessly integrates the parallelizable, multiscale feature extraction of U-Nets, the powerful global modelling of Transformers, and the continuous-time dynamics of Neural CDEs. By constructing a fully causal, parallelizable model, UFO achieves a global receptive field while retaining strong sensitivity to local temporal dynamics. Extensive experiments on five standard benchmarks -- covering both regularly and irregularly sampled time series -- demonstrate that UFO consistently outperforms ten state-of-the-art neural baselines in predictive accuracy. Moreover, UFO delivers up to 15$\times$ faster inference compared to conventional Neural CDEs, with consistently strong performance on long and highly multivariate sequences.
• Abstract（参考訳）: 不規則にサンプリングされた時系列の確率的予測は、医療や金融などの分野において重要であるが、依然として深刻な課題である。 既存のニューラル制御された微分方程式 (Neural CDE) アプローチは、連続力学をモデル化する上で有効であるが、スケーラビリティを制限し、グローバルコンテキストへのアクセスを制限する、遅く、本質的にシーケンシャルな計算に苦しむ。 我々は,U-Netの並列化可能なマルチスケール特徴抽出,トランスフォーマーの強力なグローバルモデリング,ニューラルCDEの連続時間ダイナミクスをシームレスに統合する新しいアーキテクチャであるUFO(U-Former ODE)を紹介する。 UFOは完全に因果的かつ並列化可能なモデルを構築することにより、局所時間力学に対する強い感度を維持しながら、グローバルな受容場を達成する。 5つの標準ベンチマーク(定期的および不規則にサンプリングされた時系列の両方をカバーする)の大規模な実験は、UFOが予測精度で10の最先端の神経ベースラインを一貫して上回っていることを示している。 さらに、UFOは従来のニューラルCDEと比較して最大15$\times$高速な推論を提供する。

関連論文リスト

• TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling [2.74279932215302]
  時系列データは、下流の時系列マイニングタスクを幅広くサポートするため、重要な研究トピックとして浮上している。 エンコーダのみのアーキテクチャを統合する新しいフローマッチングフレームワークであるTimeFlowを提案する。 私たちのモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-11-11T08:28:26Z)
• Modeling Time Series Dynamics with Fourier Ordinary Differential Equations [5.156484100374059]
  FODEはFourierドメインに動的を埋め込むアプローチです。 FODEは、時間領域において解明され続けるグローバルなパターンと周期的な振舞いを明らかにする。 様々な時系列データセットの実験により、FODEは精度と効率の両面で既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-05T10:27:45Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
  NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。 本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。 複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
  論文  参考訳（メタデータ） (2023-01-26T18:45:04Z)

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。